No es un problema de tecnología. No es un problema de presupuesto. Es un problema de secuencia.

La mayoría de las organizaciones están intentando adoptar IA como si fuera un ERP: un proyecto corporativo con un comité, un consultor y un plan de 18 meses. Pero la IA no funciona así. La IA es una herramienta que primero tiene que pasar por las manos de quien toma las decisiones. Literalmente. Si el CEO no ha usado inteligencia artificial para preparar su propia reunión de directorio, ningún proyecto de “transformación con IA” va a funcionar.

La semana pasada presenté un modelo a un grupo de ejecutivos de primera línea. Un framework simple para entender qué hace la IA por ti y por tu empresa, y por dónde empezar. Lo llamé E².

El cuadrante equivocado

Hay una escena que se repite en las empresas de la región. El directorio aprueba un presupuesto para IA. Se contrata una consultora. Se arma un comité. Se escribe un roadmap de transformación digital. Se elige un piloto ambicioso: “vamos a rediseñar la experiencia del cliente con inteligencia artificial”. Seis meses después, el piloto sigue en piloto. El presupuesto se fue. Y los gerentes que aprobaron el proyecto siguen mandando correos que podrían haber redactado en un tercio del tiempo si supieran usar las herramientas que ya tienen disponibles.

El patrón es más común de lo que parece. McKinsey reporta que el 78% de las empresas dicen estar usando IA, pero solo un tercio la ha escalado a nivel organizacional. BCG va más lejos: el 91% de los líderes esperan que la IA generativa sea central en su estrategia. Pero cuando le preguntas a la primera línea, solo el 25% reporta apoyo real de sus jefes en el proceso de adopción.

No hay un problema de habilidad. Hay un problema de voluntad.

Los ejecutivos están aprobando inversiones en algo que no han usado con sus propias manos. Es como si un CEO autorizara la compra de 250 licencias de un software que nunca ha abierto. No sabe qué pedirle. No sabe qué esperar. No sabe si lo que le están mostrando es un resultado bueno o mediocre. Y sin esa calibración personal, toda decisión estratégica sobre IA se toma a ciegas.

Esto empieza contigo. No con tu organización.

Yo me demoré un año en mover a Yom, y soy CEO de una empresa de tecnología. Hoy hacemos todo con IA. Pero eso empezó conmigo.

E²: Un modelo simple para entender qué hace la IA por ti y por tu empresa

Cuando le haces una pregunta a un grupo de ejecutivos, la respuesta es reveladora. “Levante la mano quien usa ChatGPT, Claude o alguna herramienta de IA generativa.” La mayoría levanta la mano. “Ahora dejen la mano arriba los que la usan todos los días para tomar decisiones de negocio.” La mayoría la baja.

Esa brecha es exactamente donde se está definiendo quién gana y quién pierde.

Para entender esa brecha, y para saber por dónde empezar a cerrarla, armé un modelo que llamo E². Son dos ejes. El primero distingue entre Eficiencia y Expansión. Eficiencia es hacer lo de siempre, mejor y más rápido. Expansión es hacer cosas que antes no podías hacer. El segundo eje distingue entre tú como individuo y tu organización. Eso genera cuatro cuadrantes.

El primer cuadrante es tu trabajo diario con un copiloto. Preparar reuniones, analizar datos, escribir mejor, tomar decisiones más informadas. Es el punto de entrada.

El segundo es la eficiencia llevada a escala organizacional. Es lo que hicieron BBVA, Zurich y JPMorgan: escalar la eficiencia individual a procesos completos. BBVA Perú redujo el tiempo de consulta de 7.5 minutos a 1 minuto para 3,000 empleados. Zurich ahorró US$40 millones en underwriting. JPMorgan obtuvo cerca de US$2.000 millones de retorno directo con 200,000 empleados usando su LLM Suite interno.

El tercer cuadrante es capacidades nuevas a nivel personal. Es un CEO configurando modelos de IA sin saber programar. Es una joven de 19 años construyendo software empresarial con herramientas de IA. Es cruzar una barrera que antes requería años de formación técnica.

Y el cuarto es nuevos modelos y cambios de paradigma a nivel organizacional. Es anticipar qué necesita un cliente antes de que lo pida. Es convertir décadas de datos en relaciones predictivas. Es lo que ya hizo Ping An en China con más de 240 millones de clientes.

El modelo tiene una indicación que no es casual: “Empieza acá”, señalando el cuadrante de eficiencia personal. Eso es una declaración de principios, no una sugerencia.

La secuencia que importa

El framework no es solo un mapa. Es una ruta. Y el orden en que lo recorres determina si tu inversión en IA genera valor o se queda en un piloto eterno.

La secuencia es: primero tú, después tu organización. Primero eficiencia, después expansión. Es decir: YO + Eficiencia → MI ORG + Eficiencia → YO + Expansión → MI ORG + Expansión.

¿Por qué ese orden y no otro?

Porque no puedes desplegar IA en tu empresa si no entiendes qué puede hacer. Y no lo vas a entender leyendo un informe de McKinsey. Lo vas a entender usándola. Todos los días. Para algo real de tu trabajo. No un curso. No un taller. No un comité. Usarla.

En mi caso empecé con cuatro herramientas: Claude como asistente de pensamiento, Granola para mis reuniones, Slack como hub de comunicación, y Pipedrive para el pipeline comercial. Con eso armé mi rutina diaria como CEO. Preparar una reunión de directorio me tomaba medio día. Hoy me toma una hora, con mejor calidad. Analizar un reporte financiero que antes delegaba, ahora lo proceso en tiempo real. Eso es el primer cuadrante.

Cuando entendí las capacidades de la herramienta con mis propias manos, pude tomar decisiones reales sobre cómo desplegarla en Yom. No desde un comité. Desde la experiencia. Eso es pasar al segundo cuadrante.

Las empresas que están generando valor real con IA comparten este patrón. BBVA empezó con un asistente interno para sus empleados en Perú — eficiencia individual — y desde ahí escaló a 120,000 personas en 25 países. JPMorgan desplegó su LLM Suite primero entre programadores y analistas, midió el impacto, y solo entonces lo expandió a 200,000 empleados. Walmart arrancó con Ask Sam, un chatbot para más de 740,000 asociados en tienda, antes de construir su plataforma de IA organizacional.

No partieron por “reinventar el modelo de negocio con IA”. Partieron porque alguien se sentó a usarla.

Habrá excepciones. Siempre hay outliers que saltan directo a la expansión. Pero para la gran mayoría de los líderes que conozco, la secuencia del E² es el camino más corto a generar valor. McKinsey lo confirmó en su reporte State of AI 2025: los usos más simples y tácticos han sido más fáciles de desplegar y escalar. La eficiencia precede a la expansión.

El costo de la inteligencia se vino a cero

El salto entre el lado izquierdo y el derecho del E² — entre Eficiencia y Expansión — parece gradual. No lo es. Es un cambio de naturaleza.

Cuando operas en Eficiencia, haces lo mismo de siempre con un copiloto. Cuando cruzas a Expansión, haces cosas que no sabías que podías hacer. Y lo que permite ese cruce tiene una explicación concreta: la barrera de entrada al conocimiento técnico colapsó.

El costo de inferencia de un modelo de IA se desplomó a US$0.07 por millón de tokens. Para ponerlo en perspectiva: con un dólar puedes procesar más de 10 millones de palabras. Pero la cifra económica no es lo que importa. Lo que importa es lo que significa en la práctica: el costo de acceder a una inteligencia que antes requería años de formación se vino a cero.

Lo viví en primera persona. Durante un viaje largo con mi familia, lejos de la operación diaria de Yom, decidí instalar y configurar un servidor de IA desde cero. Sin saber programar. Configuré API keys, servidores en la nube, canales de Slack, cuentas de email, accesos OAuth. Me tomó 8 horas usando Claude. Hace dos años, habría necesitado un equipo de ingenieros y meses de desarrollo.

No fue que la herramienta se hizo más barata. Fue que el conocimiento necesario para usarla dejó de ser una barrera. Siempre había querido poder hacer eso. Mi costo alternativo como CEO era demasiado alto. Cuando ese costo de inteligencia se vino a cero, no tuve una razón lógica para no hacerlo.

Mi hija Martina, de 19 años, está construyendo la plataforma de onboarding de Yom. Sin equipo de desarrollo. Con herramientas de IA. Si un economista y una universitaria pueden hacer esto, imaginen lo que podría hacer una organización con los recursos de la de ustedes.

Eso es Expansión. No es una mejora incremental. Es descubrir que puedes cruzar una puerta que antes estaba cerrada.

LATAM: la brecha que ya se está abriendo

Latinoamérica invierte US$8.200 millones al año en inteligencia artificial. Suena como mucho. Pero la región genera el 6,6% del PIB mundial y captura apenas el 1,1% de la inversión global en IA. Ya estamos invirtiendo mucho menos de lo que nos corresponde.

Chile lidera la región con 70.5 puntos en el Índice Latinoamericano de IA (ILIA 2025), publicado por CEPAL y CENIA. Brasil y Uruguay vienen detrás. Pero adopción no es lo mismo que valor. Si a nivel global el 74% de las empresas no logra escalar sus proyectos de IA según BCG, en LATAM el desafío es más agudo. Porque la tendencia natural es importar frameworks diseñados en otro contexto: contratar la consultora de siempre, comprar el paquete de siempre, armar el comité de siempre.

El E² propone algo distinto. No nació de un laboratorio de innovación ni de un reporte de 200 páginas. Nació de operar. De usar IA como CEO todos los días, medir qué funciona, y después escalar lo que pasa la prueba de la realidad. Es un modelo pensado desde la operación latinoamericana, no adaptado desde afuera.

La ventaja que tienen las empresas de la región es que muchas de las que hoy operan en LATAM tienen algo que ninguna startup puede comprar: décadas de datos propios. Historial crediticio. Comportamiento de millones de clientes. Cadenas de distribución con capilaridad que ningún algoritmo puede replicar desde cero. La pregunta no es si tienen los activos. Es si van a usarlos antes que su competencia.

La próxima capa de liderazgo

Hay una pregunta incómoda que el E² deja sobre la mesa y que prefiero no esquivar.

El salto de Eficiencia a Expansión personal requiere algo que no se compra ni se contrata: curiosidad. La disposición a sentarte con una herramienta que no dominas y quedarte ahí hasta que algo se mueva. No todos los ejecutivos van a dar ese paso. Algunos van a optimizar su trabajo con IA, van a hacer que sus empresas operen mejor, y se van a quedar ahí. Cómodos en el lado izquierdo del framework.

Y eso va a ser suficiente. Por un tiempo.

Pero los líderes que crucen al lado derecho — los que descubran que pueden hacer cosas que antes no podían, los que configuren, construyan, experimenten con sus propias manos — esos van a tener una ventaja que no se cierra con presupuesto. Porque van a entender lo que viene antes de que llegue. Van a tomar mejores decisiones sobre IA porque van a tener la intuición que solo da la experiencia directa.

Solo los líderes que logren expandirse personalmente podrán expandir sus compañías.

¿En qué cuadrante estás hoy?

Pero no ganó. En enterprise, el mercado donde se paga de verdad, Anthropic le arrebató el liderazgo. Pasó de 24% a 40% del gasto corporativo en LLMs mientras OpenAI caía del 50% al 27%, según datos de Menlo Ventures. Y lo hizo con menos dinero, menos productos y menos ruido.

La explicación fácil es que OpenAI “perdió el foco”. La real es más incómoda: OpenAI apostó a que ganar la carrera de modelos era suficiente. No lo fue. Porque la carrera de modelos ya terminó. Y lo que viene después tiene poco que ver con tecnología.

La carrera que ya nadie puede ganar

Media docena de laboratorios tienen hoy modelos de frontera con capacidades equivalentes. OpenAI, Anthropic, Google, Meta, Mistral y DeepSeek se superan entre sí cada pocas semanas en los benchmarks. Uno lidera en razonamiento, otro en código, otro en velocidad. La ventaja dura un par de meses. A veces menos.

Benedict Evans lo puso en términos crudos en febrero: no existe ningún mecanismo conocido por el cual una empresa pueda construir una ventaja en modelos que las demás no puedan igualar. No hay network effects. Si inventas un producto brillante usando IA generativa, llamas a la API de un modelo en la nube y al usuario le da igual cuál usaste. Nadie que use Instagram se pregunta si corre en AWS o Google Cloud.

Esto tiene una consecuencia que muchos ejecutivos todavía no internalizan: apostar tu estrategia de IA a que un modelo específico va a ser “el ganador” es como haber apostado en 2005 a que un navegador web específico iba a dominar internet. Los navegadores resultaron ser un input box y un output box que nadie pudo diferenciar. Los chatbots de hoy tienen exactamente el mismo problema.

900 millones de usuarios que no saben para qué volvieron

OpenAI reportó 900 millones de usuarios semanales en febrero de 2026. Duplicó la cifra en un año. Si miras solo ese número, parece imparable.

Ahora mira debajo. El 80% de esos usuarios envió menos de mil mensajes en todo 2025. Menos de tres prompts al día en promedio. Solo el 5% paga. La propia OpenAI reconoce un “capability gap” entre lo que sus modelos pueden hacer y lo que la gente hace con ellos. Evans traduce eso sin rodeos: no tienen product-market fit.

Mientras tanto, la lista de productos creció sin parar. Sora para video. Un navegador llamado Atlas. Un dispositivo de hardware con Jony Ive. Features de e-commerce dentro de ChatGPT. Una red social de videos cortos. Cada uno interesante por separado. Juntos, incoherentes. Fidji Simo, la CEO de aplicaciones de OpenAI, le dijo a sus equipos en una reunión interna que la empresa no podía seguir “distraída con side quests”. Ahora están consolidando todo en un superapp de escritorio: ChatGPT, Codex y Atlas bajo un mismo techo.

Pero ese movimiento delata el problema de fondo. OpenAI se comportó durante 18 meses como un laboratorio de investigación con cuenta de Twitter: cada vez que los investigadores lograban algo nuevo, el equipo de producto recibía un mail preguntando cómo convertirlo en un botón. La estrategia la definía la investigación, no el mercado. Altman lo sabe. Por eso contrató a Simo (ex CEO de Instacart) para intentar girar hacia una cultura product-first. La pregunta es si la inercia de un laboratorio que lleva años funcionando así se puede revertir con un cambio de organigramas y un rebrand del equipo de producto a “AGI Deployment”.

Distribución sin engagement es una métrica de vanidad. Cualquier CEO en Latinoamérica que haya lanzado una app con millones de descargas y cero retención reconoce este patrón.

La empresa que ganó haciendo menos

Anthropic no hizo video. No lanzó un browser. No anunció hardware. No metió features de shopping en su chatbot. No levantó la ronda más grande de la historia.

Lo que hizo fue elegir un problema: ayudar a developers y empresas a escribir y ejecutar código con IA. Y cavó trinchera ahí hasta que nadie más pudo sacarla.

Claude Code se convirtió en la herramienta que los ingenieros no pueden soltar. En Silicon Valley empezaron a hablar de “Claude benders”, sesiones de programación de horas donde el developer trabaja codo a codo con el modelo. Esa adicción no viene de un benchmark. Viene de que la herramienta resuelve un problema real, todos los días, en el flujo de trabajo donde vive el usuario. Anthropic no inventó una categoría nueva ni pidió que cambiaras tus hábitos. Se metió en el hábito que ya tenías y lo hizo mejor.

Los números son difíciles de ignorar. Anthropic captura hoy el 40% del gasto enterprise en modelos de lenguaje. En licitaciones directas por nuevos clientes enterprise, gana el 70% de las veces. Su ARR pasó de mil millones de dólares en diciembre de 2024 a 19 mil millones en marzo de 2026. Quince meses. Claude Code por sí solo genera $2.5 mil millones en run-rate revenue, cifra que se duplicó desde enero.

Hay algo casi anticuado en la estrategia de Anthropic. No es disruptiva. No es visionaria. Es una empresa que eligió a quién servir, entendió qué necesitaba ese cliente, y ejecutó con una disciplina que la mayoría de los startups abandona en el momento que consigue financiamiento.

La lección no es de IA. Es de estrategia.

Lo que está pasando entre OpenAI y Anthropic no es una historia de tecnología. Es una historia que Michael Porter podría haber escrito hace cuarenta años.

En mercados donde no hay network effects, donde el cliente puede cambiar de proveedor sin perder nada, el ganador no es el que tiene más recursos. Es el que resuelve mejor un problema específico para un cliente específico. Porter lo llamaba “trade-offs estratégicos”: elegir qué no hacer es tan importante como elegir qué hacer. OpenAI eligió no elegir. Anthropic eligió developers y enterprise, y dijo que no a todo lo demás.

Altman quiere que OpenAI sea el AWS de la IA. Chips, infraestructura, modelos, aplicaciones, ecosistema. Todo. El diagrama que mostró a fines del año pasado es una versión casi textual del stack de Apple o Microsoft. Citó a Bill Gates: “una plataforma crea más valor para sus socios que para sí misma”.

El problema es que OpenAI no tiene ninguna de las dinámicas que hicieron funcionar a esas plataformas. Windows tenía network effects reales: los developers necesitaban a Windows porque ahí estaban los usuarios, y los usuarios necesitaban Windows porque ahí estaban las apps. iOS tenía lo mismo. OpenAI no tiene eso. Si un developer construye algo con GPT-5, puede migrarlo a Claude o Gemini en una tarde. No hay lock-in. No hay ecosistema que se refuerce solo. Evans lo compara con TSMC: puedes fabricar los mejores chips del mundo y aun así no tener ningún poder sobre lo que se construye con ellos.

El CFO de OpenAI publicó un diagrama que supuestamente muestra un flywheel entre capex y revenue. Evans observó que una relación 1:1 entre lo que gastas y lo que facturas no es un flywheel. Es una caminadora.

El espejo que LATAM no quiere mirar

Un estudio del MIT Media Lab publicado en 2025 analizó 300 deployments de IA generativa en empresas, entrevistó a 150 líderes y encuestó a 350 empleados. La conclusión: el 95% de los pilotos de IA generativa no generan impacto medible en el P&L. No el 50%. No el 70%. El noventa y cinco por ciento.

Y la razón no es la tecnología. Los modelos funcionan. Lo que falla es cómo se implementan. Las empresas intentan forzar la IA en procesos existentes sin adaptar nada. Lanzan pilotos ambiciosos que tocan demasiadas áreas a la vez. Construyen internamente en lugar de asociarse con proveedores especializados. Y cuando construyen, fracasan el doble. El reporte lo dice con una claridad que debería estar pegada en la pared de toda sala de directorio: las empresas que tienen éxito eligen un pain point, ejecutan bien y se asocian con quien ya resolvió el problema.

BCG encontró lo mismo desde otro ángulo: las empresas que se enfocan en un promedio de 3.5 casos de uso generan 2.1 veces más retorno que las que persiguen 6 o más. La diferencia entre el grupo que saca valor de la IA y el que no no es presupuesto, ni talento, ni acceso a modelos. Es disciplina para elegir dónde poner la energía.

Esto debería encender alarmas en Latinoamérica. La región atrae apenas el 1.1% de la inversión global en IA según CEPAL, pero representa el 6.6% del PIB mundial. No hay margen para desperdiciar lo poco que se invierte en proyectos ambiguos. Y sin embargo, un estudio de Google Cloud y R/GA de 2026 encontró que el 80% de las plataformas de e-commerce en la región tienen deficiencias críticas en adopción de IA. No por falta de ganas. Por exceso de complejidad y falta de foco.

Llevo más de 25 años emprendiendo en tecnología en la región. Lo he visto con transformación digital, con mobile, con cloud, y ahora lo estoy viendo con IA: cada vez que una empresa intenta hacer algo muy sofisticado, con muchas aristas y muchos frentes abiertos, el camino se vuelve inmanejable. Cuando hay foco (un problema, un equipo, una métrica) es más fácil ejecutar y más fácil medir si está funcionando. OpenAI está aprendiendo esa lección con la ronda más grande en la historia del venture capital. La pregunta es si los CEOs en LATAM la van a aprender antes o después de quemar su presupuesto de IA.

La era del modelo terminó. No porque los modelos dejaron de importar, sino porque dejaron de ser el diferenciador. Todos son buenos. Todos van a seguir mejorando.

La pregunta que importa ahora no es “qué modelo uso”. Es “qué problema resuelvo, para quién, y cómo mido si lo resolví”. Anthropic le ganó mercado a OpenAI respondiendo eso con dos palabras: código, para developers.

Empezó la era del problema.

Al responder la pregunta, no dio un nombre.

En vez de eso, redefinió la pregunta. Dijo que la habilidad profesional ya no es escasa. Que la IA la está convirtiendo en commodity. Que las máquinas ya superan a los humanos en las cosas que durante décadas consideramos el peak de la inteligencia: programar, resolver problemas complejos, optimizar sistemas.

Su definición de inteligente: alguien que combina conocimiento técnico con empatía humana y la capacidad de inferir lo que no se dice. Gente que ve más allá de lo obvio, que anticipa problemas meses antes de que aparezcan porque sabe leer el contexto, sentir la vibra de una situación, conectar datos con experiencia y con la lectura de las personas alrededor.

Lo dijo textual: esa persona probablemente sacaría un puntaje horrible en una prueba de admisión universitaria.

No es un consejo. Es un diagnóstico de mercado.

Es fácil leer esto como otro “quote motivacional” de un CEO dando una conferencia. LinkedIn se llenó de posts celebrando que “las soft skills importan más que las hard skills.” Un reframe bonito para compartir con emoji de cerebro.

Pero hay que mirar quién lo dice y desde dónde lo dice. Jensen Huang es el CEO de NVIDIA, la primera empresa en la historia en superar los 5 billones de dólares de capitalización de mercado. NVIDIA fabrica los chips sobre los que corre prácticamente toda la inteligencia artificial del planeta. Cada modelo de lenguaje que usas, cada agente que se despliega, cada empresa que automatiza procesos, usa la infraestructura que Huang construyó.

Cuando el tipo que más dinero gana vendiendo IA te dice que no compitas contra ella, eso no es inspiración. Es información privilegiada disfrazada de conversación casual.

Y la información es esta: la habilidad profesional pura tiene fecha de vencimiento como diferenciador. No porque deje de ser útil, sino porque deja de ser escasa. Cuando todos pueden acceder al mismo nivel de capacidad a través de la IA, lo que te separa del resto es lo que la máquina no replica: leer el contexto, anticipar lo que viene, entender lo que nadie dijo pero todos piensan.

Huang no está haciendo filosofía. Está describiendo el perfil del trabajador que su propia tecnología no puede reemplazar. Y eso, viniendo de él, debería cambiar cómo contratas, cómo promueves y cómo armas equipos.

Los datos que le dan la razón

Huang no es el único que ve esto. Hay un cuerpo creciente de evidencia institucional que apunta en la misma dirección. Y los datos más relevantes no vienen de encuestas de opinión ni de futurólogos. Vienen de nóminas reales, de modelos económicos y de reportes para inversores.

El Stanford Digital Economy Lab publicó un estudio que debería ser lectura obligatoria para cualquier CEO que esté armando equipos hoy. Erik Brynjolfsson y su equipo analizaron datos de nómina de ADP, el proveedor de payroll más grande de Estados Unidos, cubriendo millones de trabajadores. Encontraron que el empleo para trabajadores de 22 a 25 años en ocupaciones expuestas a la IA cayó 6% en términos absolutos desde finales de 2022, cuando se masificó la IA generativa. En desarrolladores de software específicamente, la caída fue de casi 20%.

Pero el hallazgo que importa para nuestra conversación no es cuánto cayó. Es dónde cayó y dónde no.

La caída se concentra en roles donde la IA automatiza: reemplaza el trabajo humano. En roles donde la IA aumenta al trabajador, donde funciona como amplificador de capacidades humanas, el empleo se mantiene o crece. Stanford lo midió con datos de nómina, no con encuestas. La distinción entre automatizar y aumentar no es semántica. Es la diferencia entre tener trabajo y no tenerlo.

Eso es exactamente lo que Huang describió con otras palabras. El profesional que hace cosas que la máquina puede replicar se desplaza. El que combina capacidad técnica con lectura de contexto humano, el que usa la IA como extensión de un criterio que la máquina no tiene, se fortalece.

En La Paradoja del CEO Eficiente exploré las consecuencias macroeconómicas de la automatización masiva. Los datos de Stanford son el otro lado de esa moneda: a nivel individual, la pregunta ya no es si la IA te va a afectar, sino cómo. Si tu rol es automatizable, estás en la línea de fuego. Si tu rol combina IA con juicio humano, estás en la posición más fuerte del mercado laboral.

McKinsey Global Institute cuantificó esto en noviembre de 2025 con su reporte “Agents, Robots, and Us.” Calcularon que un tercio de las horas de trabajo no-físico dependen de habilidades sociales y emocionales que están fuera del alcance de la IA, incluso en un escenario de adopción completa. El ejemplo que dan es concreto: un profesor leyendo la expresión de un estudiante para ajustar su explicación en tiempo real. Un vendedor detectando el momento exacto en que un cliente pierde interés. Esas micro-lecturas del contexto humano, esa capacidad de procesar señales que no están en ningún dataset, son lo que Huang llama “sentir la vibra.”

No es una habilidad blanda. Es la habilidad más difícil de encontrar, formar y medir que existe.

Y acá viene un dato que no he visto a nadie conectar con lo que dice Huang. Harvard Business Review publicó en febrero de 2026 un artículo sobre cómo se desarrolla el buen criterio en la era de la IA. El hallazgo: las tareas repetitivas y operativas que la IA está absorbiendo eran, históricamente, el terreno donde los empleados junior construían juicio. El analista que revisaba cientos de reportes a mano desarrollaba ojo clínico para detectar anomalías. El ejecutivo de cuentas que hacía seguimiento manual a decenas de clientes aprendía a leer señales de riesgo antes de que aparecieran en los números.

La IA eliminó esas tareas. Y con ellas, eliminó el “gimnasio” donde se formaba exactamente el tipo de inteligencia que Huang describe como la más valiosa.

Las empresas corren el riesgo de terminar con gerentes que nunca hicieron el trabajo de base. Pipelines de liderazgo cada vez más delgados. Ejecutivos que saben operar herramientas pero que nunca desarrollaron el criterio que solo viene de la exposición repetida al contexto real.

El World Economic Forum calculó en su Future of Jobs Report 2025 que el 40% de las habilidades requeridas en los trabajos actuales van a cambiar en los próximos cinco años. Y el reporte Skills on the Rise 2026 de LinkedIn, basado en datos reales de contratación de millones de perfiles, confirmó algo que debería incomodar a más de un rector universitario: las habilidades blandas dominan 7 de los 10 puestos más demandados del mercado. AI Literacy convive con Conflict Mitigation y Public Speaking en el top del ranking.

La habilidad profesional se deprecia. La capacidad de leer contexto, anticipar y conectar con personas se aprecia. Y no tenemos un sistema que forme lo segundo.

Lo que veo desde la trinchera

Puedo hablar de esto con datos de Stanford y McKinsey. Pero también puedo hablar de lo que veo todos los días en mi rol de CEO en Yom.

En Yom implementamos inteligencia artificial en empresas de consumo masivo en cuatro países de Latinoamérica. Llevamos dos años trabajando con GenAI aplicada al canal tradicional, desde que dejó de ser un juguete y se convirtió en algo con lo que podíamos construir nuevos canales de venta y conversar con los computadores de formas que antes no existían. Trabajamos con más de 20 clientes. Y hay un patrón que se repite en todos ellos. Sin una sola excepción.

Los clientes que tratan la IA como un tema de tecnología se estancan. Ponen al equipo técnico al mando, buscan al perfil con más certificaciones, y esperan que la herramienta haga el trabajo. No pasa nada. La tecnología funciona, pero los resultados no llegan.

Los que obtienen resultados excepcionales hacen algo distinto: ponen al frente a las personas que entienden el negocio. Gente que conoce el canal tradicional, que sabe por qué una tienda en Santiago se comporta diferente a una tienda en Cali, que entiende las dinámicas del tendero y del distribuidor. Esas personas aprenden rápido cómo funciona la IA, se abren a explorar ángulos nuevos para abordar los desafíos del canal, y combinan lo que saben del terreno con lo que los modelos pueden hacer.

La diferencia no es sutil. Los clientes que ponen gente de negocio al frente generan entre un 10% y un 20% más de mejoras en su gestión comercial que los que no. Los segundos solo ganan eficiencia por la mejora tecnológica: hacen lo mismo de antes, un poco más rápido. Los primeros se cuestionan sus procesos comerciales completos y los rediseñan usando la tecnología y los datos que les proporcionamos. No es la misma conversación.

Y esto conecta directamente con lo que dice Huang y con lo que muestran los datos de Stanford. El perfil que solo opera la herramienta, que sabe usar el modelo pero no entiende el contexto del negocio, gana eficiencia marginal. El que entiende el negocio y aprende a usar la herramienta cambia resultados. Uno automatiza. El otro aumenta. Y la diferencia entre ambos es exactamente la que Stanford midió en millones de datos de nómina.

Lo paradójico es que las empresas siguen buscando al “experto en IA” cuando lo que necesitan es al experto en su negocio que esté dispuesto a aprender IA. La habilidad de usar un modelo se aprende en semanas. El conocimiento profundo de un mercado, la lectura de contexto de un canal de distribución, la capacidad de anticipar qué va a funcionar en una tienda específica de una ciudad específica, eso toma años. Y no se puede automatizar.

El sistema que forma talento apunta en la dirección contraria

Todo lo anterior describe un cambio global. Pero en Latinoamérica el problema tiene una capa adicional.

El FMI documentó que la productividad en la región lleva décadas estancada. El crecimiento de productividad laboral entre 2012 y 2022 fue de cero. No bajo. Cero. Y una de las causas principales, según el mismo reporte, es la difusión limitada de tecnología en el sector formal. Las empresas latinoamericanas no adoptan tecnología al ritmo que necesitan para cerrar la brecha con economías avanzadas.

Frente a eso, la respuesta instintiva es: formemos más profesionales STEM. Más ingenieros, más desarrolladores, más especialistas en datos. Y eso es exactamente lo que estamos haciendo. El sesgo está en todo el sistema: desde los padres que presionan a sus hijos para que estudien ingeniería comercial o civil hasta las empresas que filtran candidatos por título universitario y certificaciones.

Pero los datos dicen que esa apuesta tiene un problema de timing. La vida media de una habilidad profesional especializada ya se redujo a menos de cinco años y sigue cayendo. Lo que aprendes en primero de ingeniería puede tener la mitad de su valor de mercado cuando te gradúes.

Y hay una ironía que pocos están viendo. El FMI confirmó que los trabajos más expuestos a la IA son los profesionales de cuello blanco: ingenieros de software, analistas financieros, contadores, abogados junior. Las ocupaciones con mayor exposición son las que requieren más educación formal. Mientras tanto, los oficios especializados, los que en Chile llamamos carreras técnicas (electricistas, soldadores, técnicos en refrigeración), tienen entre 4% y 6% de exposición a la automatización por IA. Un gasfiter necesita leer el contexto físico, tomar decisiones en ambientes impredecibles, adaptar soluciones en tiempo real. Exactamente lo que la IA no sabe hacer.

La inversión histórica es completa: antes, la automatización golpeaba a los trabajadores manuales. Ahora golpea a los profesionales universitarios. Y nuestro sistema educativo sigue empujando a todos hacia la universidad, hacia el título profesional, hacia la carrera que la IA replica más rápido.

Mientras invertimos en formar el perfil que la IA desplaza primero, no estamos formando el que la IA no puede replicar. Y no hablo solo de oficios manuales. Hablo de las capacidades fundacionales. El Banco Mundial y el BID publicaron un dato que lo resume: 3 de cada 4 jóvenes de 15 años en América Latina no pueden demostrar habilidades matemáticas fundamentales. Más de 1 de cada 2 no cumplen estándares de lectura. Eso no es un problema de habilidades profesionales avanzadas. Es un problema de base: comprensión, pensamiento crítico, capacidad de interpretar contexto. Las habilidades fundacionales sobre las que se construye todo lo que Huang describe como “inteligente.”

No estamos fallando en enseñar IA. Estamos fallando en enseñar a pensar. Y sin esa base, no importa cuántos bootcamps de programación o certificaciones de machine learning financiemos. Estamos construyendo el segundo piso sin el primero.

Lo que esto cambia para ti

Si diriges una empresa en Latinoamérica, lo que dijo Huang no es un tema de recursos humanos. Es un tema de estrategia.

La próxima vez que armes un equipo para una iniciativa de IA, mira a quién pones al frente. Si buscas al que más sabe de tecnología en vez del que más sabe de tu negocio, vas a terminar con una herramienta muy sofisticada haciendo exactamente lo mismo que hacías antes. Lo veo en nuestros clientes. Lo mide Stanford en datos de nómina. Lo dice el CEO de la empresa más valiosa del planeta.

La habilidad profesional ya la tiene la máquina. La capacidad de ver más allá de lo obvio, de anticipar lo que no está en los datos, de leer lo que nadie dice pero todos piensan, eso sigue siendo humano. Pero no por mucho tiempo si seguimos sin tomarlo en serio. Porque la ventaja que no cultivas es la ventaja que pierdes.

Eso fue lo que apareció en el health dashboard de AWS a las 4:30 AM hora del Pacífico, el 1 de marzo de 2026. Objetos impactaron el datacenter. Chispas e incendio. Sin la palabra “dron”. Sin la palabra “ataque”. Sin la palabra “Irán”. Objects struck. Como si hubiera caído un rayo.

No fue un rayo.

Horas antes, la Guardia Revolucionaria Iraní había lanzado 189 misiles balísticos, 941 drones y 3 misiles crucero contra Emiratos Árabes Unidos. La mayor represalia desde la Operación Epic Fury, el bombardeo conjunto de Estados Unidos e Israel contra Irán iniciado el 28 de febrero. Entre los blancos: bases militares, terminales petroleras y, por primera vez en la historia, infraestructura de computación en la nube.

Los drones no alcanzaron una instalación. Alcanzaron tres. Dos datacenters de AWS en Emiratos Árabes con impacto directo. Un tercero en Bahréin, dañado por un ataque cercano. La región ME-CENTRAL-1 reportó 109 servicios afectados. Bancos como ADCB y Emirates NBD. Fintechs de pagos como Alaan y Hubpay. Careem, el Uber del Golfo. Snowflake, una de las plataformas de datos empresariales más usadas del mundo. Cientos de operaciones offline, sin fecha de recuperación.

Y luego vino lo que nadie esperaba. Fars News, la agencia estatal iraní, publicó una declaración: los ataques buscaban “identificar el rol de estos centros en el apoyo a las actividades militares y de inteligencia del enemigo.” Amazon declinó comentar.

El mensaje estaba enviado. Esto no fue daño colateral.

Un dron de menos de $50,000 dólares dejó offline infraestructura que servía a una economía entera. Y el comunicado de la empresa de cloud más grande del mundo no tenía las palabras para describirlo. Cuando diseñas para 99.99% de uptime, para redundancia, para failover automático, no diseñas para un dron.

Qué pasó

El 28 de febrero de 2026, a las 2:00 AM hora local de Teherán, aviones estadounidenses e israelíes iniciaron la Operación Epic Fury: ataques coordinados contra instalaciones nucleares y militares iraníes. Más de 300 objetivos en menos de 72 horas. La operación aérea más intensa contra Irán desde 1979.

La respuesta tardó horas, no días.

Entre el 1 y el 4 de marzo, la Guardia Revolucionaria lanzó 189 misiles balísticos, 941 drones y 3 misiles crucero contra Emiratos Árabes Unidos, Bahréin, Qatar y Arabia Saudita. Las defensas del Golfo interceptaron la mayoría: 161 de 174 misiles, los 8 crucero, 645 de 689 drones. Pero 44 impactaron. Tres civiles muertos. 78 heridos de más de quince nacionalidades.

Los blancos principales fueron bases militares. Al Dhafra Air Base en Abu Dhabi. Instalaciones navales en Bahréin. Terminales petroleras.

Pero hubo una categoría nueva: datacenters.

Tres instalaciones de Amazon Web Services alcanzadas entre el 1 y el 2 de marzo. Dos en Emiratos Árabes, parte de la región ME-CENTRAL-1, con impacto directo de drones. Una tercera en Bahréin, dañada por la onda de un ataque cercano. AWS reportó 109 servicios degradados o interrumpidos.

Las caídas en cascada fueron inmediatas. ADCB y Emirates NBD perdieron sus plataformas digitales. Alaan y Hubpay offline. Careem, la app de transporte dominante en la región, dejó de funcionar. Snowflake, plataforma de datos que usan miles de empresas globales, con interrupciones en toda la zona. Empresas de logística entre Dubai, Riad y Mumbai perdieron visibilidad de sus cadenas de suministro.

Cuarenta y ocho horas después, Fars News publicó su declaración: los ataques buscaban “identificar el rol de estos centros en el apoyo a las actividades militares y de inteligencia del enemigo.”

Amazon emitió un segundo comunicado: “In the UAE, two of our facilities were directly struck, while in Bahrain, a drone strike in close proximity to one of our facilities caused physical impacts to our infrastructure.”

Ningún otro cloud provider reportó daños. Microsoft, Google y Oracle operan en la región pero sus instalaciones no fueron alcanzadas.

Al momento de escribir esto, 7 de marzo, AWS aún no restablece completamente ME-CENTRAL-1.

La ficción que murió

Todos en tecnología hemos dicho la misma frase: “La nube no existe. Son los servidores de otra empresa.” Era un chiste. Una forma de recordar que detrás del marketing hay fierro, cables y aire acondicionado industrial.

Después del 1 de marzo, el chiste dejó de ser divertido.

Porque la conversación ya no es de quién son los servidores. Es dónde están. Y qué más corren ahí adentro.

AWS lanzó ME-CENTRAL-1 en agosto de 2022. Parte de una carrera entre Amazon, Microsoft, Google y Oracle por servir al Golfo: gobiernos, petroleras, operaciones de defensa. Negocio enorme. Nadie puso una nota al pie que dijera “esta infraestructura se convierte en blanco militar si la región entra en conflicto.”

Pero acá está lo que me preocupa.

Los modelos de inteligencia artificial que hoy se usan para planificación militar corren en infraestructura cloud. Los que optimizan rutas de drones, procesan imágenes satelitales, coordinan ataques. No estoy especulando. Project Nimbus es un contrato de $1.2 mil millones entre AWS, Google y el gobierno de Israel para proveer cloud e inteligencia artificial a sus fuerzas armadas. El JWCC es el contrato de $9 mil millones del Pentágono, repartido entre AWS, Google, Microsoft y Oracle.

No son contratos de almacenamiento. Son la columna vertebral computacional de operaciones militares activas.

Y acá se cierra el loop: la IA que planifica los ataques corre en los mismos servidores que reciben los drones de la represalia. Los modelos que procesaron imágenes satelitales de objetivos iraníes, que calcularon rutas de vuelo, que optimizaron el daño, vivían en infraestructura cloud en Medio Oriente. Irán no atacó el software. Atacó el fierro.

Primera vez que la infraestructura que hace posible una guerra se convierte en objetivo de esa misma guerra.

Piénsalo un segundo. La IA necesita datacenters. Los datacenters están en algún lugar físico. Ese lugar es blanco ahora. Y la IA que se usa para atacar ese lugar... también corre en datacenters.

El dato que nadie quiere discutir

En julio de 2021, cuando se filtró el contrato de Project Nimbus, más de 400 empleados de Google y Amazon firmaron una carta pública pidiendo que se cancelara. No querían que su tecnología se usara para vigilancia y operaciones militares.

Google y Amazon respondieron con la misma línea: el contrato era para “servicios generales de cloud computing”, no para “aplicaciones de armas.” La misma distinción que la industria nuclear intentó hacer durante décadas entre uso pacífico y armamento.

El problema tiene nombre técnico: dual-use. Un datacenter que sirve Netflix en Dubai puede correr modelos de targeting para un dron militar. El mismo GPU que entrena un modelo de lenguaje procesa imágenes satelitales para identificar baterías antiaéreas. La infraestructura es la misma. Lo que cambia es el prompt.

Y el problema no es chico. Project Nimbus: $1.2 mil millones, AWS y Google, cloud e inteligencia artificial para las fuerzas armadas y agencias de inteligencia israelíes. El contrato prohíbe a Google y Amazon negarle servicio a cualquier entidad del gobierno israelí, incluido su ejército. JWCC: $9 mil millones, el Pentágono repartiendo cargas de trabajo militar entre los cuatro grandes. Al cierre de 2024 ya se habían ejecutado casi $1,000 millones en órdenes de trabajo.

Después del 1 de marzo, el dual-use dejó de ser un debate ético de empleados incómodos. Se convirtió en un problema de derecho internacional.

El Protocolo de las Convenciones de Ginebra dice que la infraestructura civil no puede ser objetivo militar. Pero el Yale Law Journal publicó en 2024 un análisis que pone el dedo en la llaga: el derecho internacional humanitario no reconoce “objeto de uso dual” como categoría legal. Un objeto es civil o es militar. No hay punto medio. Y para que algo se convierta en objetivo legítimo, tiene que cumplir dos condiciones: que contribuya efectivamente a la acción militar, y que destruirlo ofrezca una ventaja militar concreta.

Un datacenter que corre modelos de IA para operaciones de defensa cumple ambas condiciones.

Eso significa que el mismo rack de servidores que procesa tu app de delivery puede ser objetivo legítimo bajo cierta lectura del derecho internacional, si tres racks más allá corre inteligencia de señales para una operación militar. No hay jurisprudencia. No hay precedente. El derecho humanitario fue escrito para un mundo donde una fábrica de tanques era una fábrica de tanques.

Y hay un dato más que está pasando desapercibido. Desde marzo de 2023, Lloyd’s of London exige que todas las pólizas de cyber-seguros incluyan cláusulas de exclusión para ataques cibernéticos respaldados por estados y operaciones durante conflictos armados. Si tu datacenter cae durante una guerra, tu póliza de cyber-riesgo no cubre. Tu póliza de propiedad probablemente tampoco, porque la mayoría excluyen actos de guerra.

¿Quién absorbe el costo? Nadie sabe todavía.

Lo que esto significa si eres CEO en Latinoamérica

Puedo escuchar el argumento: “Esto pasó en Medio Oriente. Es una guerra entre Irán, Estados Unidos e Israel. ¿Qué tiene que ver con mi operación en Santiago, Bogotá o Ciudad de México?”

Probablemente nada. Hoy. Latinoamérica no está en guerra y la probabilidad de que un dron caiga en un datacenter en São Paulo es cercana a cero. Pero eso no es lo relevante.

Lo relevante es que el 1 de marzo se estableció un precedente: los datacenters son blancos de guerra. Punto. Eso ya no se puede des-aprender. Cualquier planificador militar en cualquier país del mundo vio lo que pasó en UAE y tomó nota. Y cualquier aseguradora también.

Eso cambia las reglas del juego para todos, incluido el CEO latinoamericano que nunca pensó en geopolítica cuando firmó su contrato de cloud.

Primer cambio: la conversación sobre dónde están tus datos dejó de ser técnica. Hasta ahora, elegir una región de cloud era una decisión de latencia y compliance regulatorio. Ahora tiene una dimensión geopolítica. No porque São Paulo vaya a ser bombardeada, sino porque tu proveedor de cloud opera globalmente, tiene contratos militares en otras regiones, y el precedente de que eso convierte su infraestructura en objetivo ya existe.

Segundo cambio: el riesgo de concentración se ve diferente. AWS tiene tres regiones en Latinoamérica. Google Cloud tiene São Paulo, Santiago y Querétaro. Suena razonable hasta que entiendes que la redundancia geográfica ya no se trata solo de desastres naturales o fallas técnicas. Se trata de no tener todos tus datos en infraestructura de un proveedor que, en otra parte del mundo, es clasificable como objetivo militar.

Tercer cambio: los contratos de cloud y las pólizas de seguro que firmaste no contemplan esto. Las exclusiones de Lloyd’s por actos de guerra ya están vigentes. Tu SLA te garantiza uptime contra fallas de infraestructura, no contra un conflicto armado. Si mañana una escalada geopolítica afecta una región de AWS donde corren tus backups, ¿quién responde?

Nada de esto requiere pánico. Requiere que la próxima vez que revises tu arquitectura de cloud, la conversación incluya una pregunta que antes no existía: ¿qué más corre en la infraestructura donde viven mis datos, y qué implica eso en un mundo donde los datacenters son blancos militares?

Lo que viene después

Antes del 1 de marzo, la seguridad de un datacenter era un problema de ingeniería. Supresión de incendios. Acceso biométrico. Generadores redundantes. Enfriamiento líquido. Perímetro físico con guardias y cámaras. Todo diseñado para proteger contra incendios, fallos eléctricos, intrusos, desastres naturales.

Ningún datacenter del mundo fue diseñado para resistir un ataque militar.

Y ahora alguien tiene que responder la pregunta obvia: ¿qué sigue? ¿Los datacenters van a necesitar sistemas anti-dron como hoy tienen sistemas anti-incendio? ¿Escudos de interferencia electromagnética? ¿Defensa aérea perimetral? Suena ridículo hasta que recuerdas que un dron de $50,000 acaba de dejar offline tres instalaciones de la empresa de cloud más grande del planeta.

La pregunta no es si van a invertir en esto. La pregunta es quién paga. ¿AWS? ¿El gobierno del país donde está el datacenter? ¿El cliente enterprise que paga por disponibilidad? Los contratos actuales no dicen nada al respecto. Los SLAs cubren fallas de infraestructura, no actos de guerra. Las pólizas de seguro ya excluyeron este tipo de eventos. Hay un vacío y nadie quiere ser el primero en llenarlo.

Mientras tanto, el vocabulario del sector ya cambió. Antes del 1 de marzo hablábamos de uptime, latencia, compliance, data residency. Palabras de ingeniero. Problemas técnicos con soluciones técnicas.

Ahora la conversación incluye soberanía digital, riesgo geopolítico, uso dual, derecho humanitario, exclusiones de guerra. Palabras que ningún CTO esperaba tener que usar en una reunión de board.

Los cloud providers van a responder como saben: más regiones, más zonas de disponibilidad, más opciones de multi-cloud. Lo van a presentar como innovación. En realidad es una admisión: no pueden proteger un edificio de un dron, así que van a distribuir el riesgo geográficamente. La misma lógica de la disuasión nuclear aplicada a servidores.

No puedes defender un datacenter. Pero puedes hacer que destruir uno no sea suficiente.

El problema es que esa distribución cuesta. Cuesta en arquitectura, en latencia, en complejidad y en plata. Y ese costo lo va a pagar el cliente.

El 1 de marzo, la nube dejó de ser una metáfora. Se convirtió en lo que siempre fue: edificios, cables, generadores y las personas que los operan. Edificios que se pueden destruir. Cables que se pueden cortar.

Y la IA que supuestamente iba a protegernos, la que detecta amenazas, optimiza defensas, anticipa ataques, corre en esos mismos edificios.

Esa es la paradoja. No la resuelve un SLA. No la resuelve un contrato multi-cloud. La resuelve entender que la tecnología más poderosa que hemos construido depende de la infraestructura más vulnerable que tenemos. Y que alguien, por primera vez, decidió apuntar ahí.

La causa no es una pandemia, ni una burbuja inmobiliaria, ni una guerra. Es la inteligencia artificial. No porque haya fallado, sino porque funcionó demasiado bien.

El artículo introduce un concepto que se me quedó grabado: “Ghost GDP”, PIB fantasma. Producción que aparece en las cuentas nacionales pero que nunca circula por la economía real. Un cluster de GPUs en Dakota del Norte genera la producción que antes generaban 10.000 trabajadores de cuello blanco en Manhattan. El PIB registra esa producción. Pero esos 10.000 salarios ya no existen. No se gastan en restaurantes, no pagan hipotecas, no compran autos. Y los autores rematan con una pregunta que lo resume todo: ¿cuánto gastan las máquinas en bienes discrecionales?

La respuesta es cero.

Normalmente descartaría un ejercicio como este. Futurología para inversores, ciencia ficción con gráficos de Bloomberg. Pero esta vez hice algo distinto: fui a buscar si los datos reales de febrero del 2026, y ya muestran señales de lo que Citrini proyecta para 2028.

Lo que encontré me dejó pensando más de lo que esperaba.

La participación del trabajo en el ingreso nacional de Estados Unidos cayó a 53,8% en el tercer trimestre de 2025. Es el registro más bajo desde que el Bureau of Labor Statistics comenzó a medir esto en 1947. Setenta y ocho años de datos. Mientras tanto, las ganancias de las Fortune 500 alcanzaron un récord de USD 1,87 billones en 2024. Y la economía estadounidense creó solo 584.000 empleos en 2025, contra 2 millones el año anterior.

Las empresas producen más. Ganan más. Y los trabajadores reciben la menor porción de la riqueza en casi ocho décadas de medición.

Eso no es futurología. Es un dato publicado hace un mes.

La paradoja

Imagina que eres CEO de una empresa mediana. Tu directorio te presiona por márgenes. Tu competencia ya está usando agentes de IA para automatizar soporte al cliente, generación de reportes, análisis de datos, código. Tú haces lo que cualquier ejecutivo responsable haría: adoptas IA, reduces costos laborales, aumentas productividad. Tus números mejoran. Tu deber fiduciario está cumplido.

Nadie te puede culpar. Es la decisión correcta.

Pero los clientes de tu empresa son los empleados de otras empresas que están tomando exactamente la misma decisión. Cuando Salesforce despide 4.000 personas de soporte al cliente porque la IA maneja el 50% del trabajo (según su propio CEO, Marc Benioff), esas 4.000 personas reducen su gasto. Cuando JPMorgan le dice a sus gerentes que eviten contratar mientras despliegan IA, y Goldman Sachs anuncia una revisión integral de cómo organizar su gente con inteligencia artificial, y el CEO de Ford advierte que la IA va a reemplazar literalmente a la mitad de los trabajadores de cuello blanco, la señal es clara.

Cada recorte individual es racional. El efecto acumulado es otra cosa.

Mientras escribía este artículo, Jack Dorsey publicó en X el memo con el que redujo Block (la empresa detrás de Square y Cash App) de 10.000 a 6.000 empleados. La acción subió 24% en horas. Y Dorsey escribió algo que debería inquietar a cualquiera: cree que la mayoría de las empresas van a llegar a la misma conclusión y hacer cambios estructurales similares dentro del próximo año. Como analizó Tomasz Tunguz, lo que distingue esta ola de recortes es que no son empresas en problemas. Son empresas en crecimiento que deciden que pueden operar con la mitad de la gente. El ingreso por empleado de Block salta de USD 2,4 millones a USD 4 millones después del recorte. Una vez que un competidor demuestra esa eficiencia, no seguirlo se vuelve insostenible.

Yo lo llamo la paradoja del CEO eficiente: estás optimizando tu empresa mientras destruyes el mercado que la alimenta. Es la paradoja del ahorro de Keynes, versión 2026, aplicada a la automatización corporativa.

Lo que me resulta más inquietante es un hallazgo que publicó Harvard Business Review en enero de 2026: muchas empresas están despidiendo basándose en lo que la IA podría hacer, no en lo que ya está haciendo. Thomas Davenport, profesor del MIT, y Laks Srinivasan lo documentan con casos concretos. Es decir, ni siquiera necesitamos que la IA funcione perfectamente para que el ciclo de despidos se active. Basta con que los CEOs crean que va a funcionar. La expectativa ya tiene efectos económicos reales.

Un comentarista del artículo de Citrini, que dice trabajar en una de las 7 Magníficas en la división de Cloud e IA, lo puso de una forma que no puedo mejorar: no importa si realmente puedes reemplazar tu SaaS con IA. Lo que importa es que el comprador crea que puede. Eso ya destruye tu poder de negociación.

La IA no necesita reemplazarte para hacerte daño. Basta con que tu jefe crea que puede.

Los datos que ya lo confirman

Quiero ser preciso acá. No estoy armando un argumento con anécdotas y titulares. Cada dato que sigue viene de instituciones que no tienen incentivo para exagerar.

PIMCO, la gestora de renta fija más grande del mundo con más de USD 1,7 trillones bajo administración, publicó en enero un análisis de Tiffany Wilding donde documenta que la productividad en EE.UU. creció ~2% en 2025, pero el crecimiento real de salarios se desaceleró a apenas por encima del 1%. Lo llaman la “economía en K”: las empresas intensivas en capital que adoptan IA van para arriba, los trabajadores y sus hogares van para abajo. Y no es un artículo de opinión. Es un análisis para inversores institucionales sobre cómo posicionar portafolios.

Hace unos días, PIMCO publicó un segundo análisis donde advierten que la IA probablemente no sea una marea de productividad que levante todos los botes, y que el riesgo es que gran parte del valor que crea la IA se acumule principalmente en manos de los dueños del capital, no de los trabajadores. Cuando PIMCO dice esto, no es activismo. No es alarmismo. Es una gestora diciéndole a sus clientes: cuidado, los beneficios de la IA no se están distribuyendo como esperábamos.

En el mundo académico, el Stanford Digital Economy Lab publicó un estudio llamado “Canarios en la mina de carbón”, liderado por Erik Brynjolfsson (uno de los economistas de tecnología más citados del mundo) usando datos de nómina de ADP que cubren millones de trabajadores estadounidenses. Encontraron que trabajadores de 22 a 25 años en ocupaciones expuestas a la IA sufrieron una caída relativa del 16% en empleo desde la adopción masiva de IA generativa. Recientemente actualizaron los datos: la tendencia se acelera y no muestra señales de reversión. Un detalle que importa: la caída se concentra en roles donde la IA automatiza, es decir, reemplaza el trabajo humano. En roles donde la IA aumenta la capacidad del trabajador, el empleo se mantiene o crece. La diferencia entre automatizar y aumentar no es semántica. Es la diferencia entre tener trabajo y no tenerlo.

Marketplace (NPR) reportó el 2 de febrero que la productividad sigue fuerte pero los salarios no la acompañan. Economistas de Wells Fargo confirman que las empresas están invirtiendo en equipamiento en vez de subir sueldos. Ben Zipperer, del Economic Policy Institute, calculó que los trabajadores estadounidenses producen casi el doble que en 1980, pero su paga creció solo un tercio de eso.

Y los despidos ya no son hipotéticos. El 2025 cerró con 1,17 millones de recortes en EE.UU., el nivel más alto desde la pandemia. De esos, 55.000 fueron directamente atribuidos a IA según Challenger, Gray & Christmas. Klarna redujo personal un 40%. Salesforce eliminó 4.000 roles. Amazon cortó 14.000 puestos corporativos. Y ahora Block corta otros 4.000 de un solo golpe. CNBC nota algo interesante: algunos expertos hablan de “AI-washing”, empresas que culpan a la IA por recortes que tienen otras causas. Pero eso refuerza el punto en vez de debilitarlo. Incluso la narrativa de la IA como reemplazo ya produce efectos económicos reales, independiente de si la IA está haciendo el trabajo o no.

Todo esto es Estados Unidos. Pero nosotros no vivimos en Estados Unidos.

¿Y América Latina?

Acá es donde la conversación se pone incómoda.

El FMI calculó en un documento de trabajo que menos del 40% de los empleos en América Latina tienen alta exposición a la IA, comparado con el 60% en economías avanzadas. La razón: más de la mitad de nuestros empleos son informales. Negocios pequeños, sin acceso a sistemas financieros, sin escala para adoptar tecnología.

A primera vista parece una buena noticia. No nos van a automatizar porque no somos lo suficientemente productivos como para que valga la pena automatizarnos.

Pero eso es como celebrar que no te robaron porque no tenías nada.

Un estudio del Banco Interamericano de Desarrollo que analizó 14 países de la región encontró que los trabajadores más expuestos al desplazamiento por IA en América Latina son los formales, los educados, los jóvenes y las mujeres. Exactamente las personas que nuestras economías necesitan que ganen más y consuman más para crecer. La IA en la región no amenaza al vendedor ambulante. Amenaza al analista financiero, a la ingeniera de software, al joven profesional que acaba de entrar al mercado formal. Los mismos perfiles que Stanford encontró siendo desplazados en EE.UU.

Y hay un número que me persigue: la productividad laboral en América Latina creció 0,5% anual desde 1980. En Asia del Este creció 4,2%. En Estados Unidos, 1,4%. Entre 2012 y 2022, nuestro crecimiento de productividad fue literalmente cero. No es una exageración. Es un dato del FMI.

Esto crea una paradoja doble para el CEO latinoamericano. Si no adoptas IA, te quedas atrás en una carrera de productividad que ya estamos perdiendo hace cuatro décadas. Pero si la adoptas agresivamente, generas el mismo Ghost GDP que estamos viendo en EE.UU., solo que en economías con redes de seguridad social más débiles, mercados de crédito más frágiles y una desigualdad de ingreso que ya es la peor del planeta.

Yo creo que la respuesta no es elegir entre adoptar o no adoptar. Eso es un falso dilema. La respuesta es adoptar pensando en la cadena completa. Y ahí es donde la mayoría de los CEOs que conozco en la región se quedan cortos. Miden la eficiencia de su operación como si existiera en un vacío. Cuántos puestos eliminé, cuánto ahorré en nómina, cuánto subió mi margen. Pero tu empresa no existe en un vacío. Existe en un ecosistema donde tus clientes son los empleados de otras empresas. Si todos optimizan al mismo tiempo sin pensar en el sistema, el sistema colapsa.

Lo que viene

Vuelvo al artículo de Citrini. Los autores son honestos: dicen que es un escenario, no una predicción. Están seguros de que algunas partes no se van a materializar. Y probablemente tengan razón. El escenario completo, con S&P en 3.500 y desempleo sobre 10%, requiere que todo salga mal al mismo tiempo. Y la historia nos enseña que rara vez todo sale mal al mismo tiempo.

Pero la pregunta que importa no es si el escenario completo se cumple. Es cuántas de las piezas iniciales ya están en su lugar.

Después de semanas revisando datos, mi respuesta es: más de las que me gustaría. PIMCO lo ve en sus modelos. Stanford lo mide en datos de nómina. Los CEOs de las empresas más grandes del mundo lo dicen en público sin ningún pudor. La participación laboral está en mínimos de 78 años. Y apenas estamos empezando.

Si eres CEO en América Latina y estás implementando IA (y deberías estarlo), te pido que hagas un ejercicio. No midas solo cuánto te ahorras por empleado reemplazado. Pregúntate también quién le va a comprar a tu empresa cuando todos los CEOs de tu industria hagan exactamente lo mismo que tú.

La eficiencia individual sin pensamiento sistémico tiene un nombre viejo. Se llama tragedia de los comunes. Y la inteligencia artificial, si no somos cuidadosos con cómo la adoptamos, puede convertirse en la tragedia de los comunes más costosa de la historia económica.

La paradoja del CEO eficiente no tiene solución individual. Ese es precisamente el problema.

Pero ese ensayo fue el segundo que Amodei escribió. El primero se llama “Machines of Loving Grace“ y lo publicó en octubre de 2024. Es exactamente lo opuesto: una visión detallada de todo lo que la IA puede hacer por la humanidad si las cosas salen bien.

Decidí empezar por publicar mi análisis del ensayo pesimista porque creo que el orden importa: es más fácil evaluar una promesa cuando ya conoces los riesgos. Ahora que ya tienes el mapa de lo que puede salir mal, podemos mirar la visión optimista con los pies en la tierra.

Y hay algo interesante en la secuencia del propio Amodei: él hizo el camino inverso. Escribió primero el sueño y después la pesadilla. Como si imaginar todo lo bueno lo hubiera forzado a confrontar todo lo malo.

La inteligencia no es polvo de hadas

El aporte intelectual más valioso de este ensayo es un concepto que Amodei llama “retornos marginales a la inteligencia”. La pregunta que propone no es “¿qué tan inteligente será la IA?” sino “¿en qué problemas rinde más esa inteligencia?”

Porque la inteligencia, por muy superior que sea, choca contra los límites del mundo real: La velocidad del mundo físico (las células se dividen al ritmo que se dividen, los experimentos toman el tiempo que toman). La falta de datos (a veces la información simplemente no existe). La complejidad intrínseca de ciertos sistemas. Las restricciones humanas (leyes, regulaciones, hábitos). Y las leyes de la física, que son absolutas.

Este framework es lo que separa a Amodei de los tecno-optimistas genéricos. No es “la IA lo resuelve todo mágicamente”. Es “la inteligencia es extraordinariamente poderosa, pero no es magia”. Esa sobriedad es rara en un CEO de una empresa de tecnología, y es lo que hace que sus predicciones merezcan atención.

Las cinco promesas

El ensayo organiza su visión en cinco áreas. No voy a repetir su ensayo (te invito a leerlo completo aquí). Quiero recorrer cada una con mi propia lectura.

Biología y salud. La predicción central es radical: la IA podría comprimir 50 a 100 años de progreso biológico en 5 a 10 años. Cura de la mayoría del cáncer. Prevención del Alzheimer. Duplicar la expectativa de vida a 150 años. Suena a ciencia ficción, pero el argumento es más serio de lo que parece. Amodei, que fue investigador en biología antes de fundar Anthropic (tiene publicaciones académicas en el campo), sostiene que la mayor parte del progreso biológico viene de un número minúsculo de descubrimientos (CRISPR, vacunas mRNA, terapias CAR-T) y que esos descubrimientos tienen altos retornos a la inteligencia. Más gente brillante trabajando en paralelo, más descubrimientos de ese calibre. Los datos recientes le dan cierta razón: Insilico Medicine desarrolló un fármaco con IA que pasó de identificación a ensayo clínico Fase I en 18 meses, un proceso que normalmente toma de 3 a 5 años. AstraZeneca reporta que la IA ha acelerado el diseño de fármacos en más del 50%. No es el siglo comprimido todavía, pero la dirección es clara.

Neurociencia y salud mental. El autor aplica el mismo framework a la neurociencia, con una adición: lo que estamos aprendiendo de la IA misma puede ayudar a entender el cerebro humano. Los trabajos de interpretabilidad de modelos de Anthropic abordan la misma pregunta fundamental: ¿cómo cooperan redes de unidades simples para producir computaciones complejas? De hecho, un mecanismo computacional descubierto en sistemas de IA fue recientemente redescubierto en cerebros de ratones. Las predicciones concretas: cura de la mayoría de enfermedades mentales, mejora de problemas cotidianos como ansiedad o falta de foco, y una mejora general de la experiencia humana. Amodei agrega un punto que me parece importante: sospecha que la mejora de la salud mental atenuará muchos problemas que hoy parecen políticos o económicos. Una población más sana mentalmente toma mejores decisiones y es menos susceptible a la manipulación.

Gobernanza y paz. Amodei es directo: no hay razón estructural para creer que la IA favorecerá la democracia. Si queremos ese resultado, hay que pelear por él. Propone una coalición de democracias que mantenga ventaja en IA. Para Latinoamérica esta sección es la más distante (no controlamos la cadena de suministro de chips), pero hay un punto que merece atención: la IA como herramienta para mejorar servicios públicos. La idea de un sistema que ayude a los ciudadanos a recibir todo lo que legalmente les corresponde del gobierno, reduciendo la discrecionalidad y la corrupción en trámites, es potencialmente transformadora para países con instituciones que funcionan a medias.

Las dos áreas restantes son las que más conectan con los temas que he venido tratando en este blog, así que voy a dedicarles más espacio.

Desarrollo económico: donde la visión se vuelve borrosa

El CEO de Anthropic reconoce que está “menos confiado” en que la IA pueda resolver la desigualdad más que en su capacidad para inventar tecnologías. Y con razón. No basta con inventar una vacuna. Hay que fabricarla, distribuirla, convencer a la gente de usarla, y hacerlo en países con instituciones débiles y recursos limitados.

Los datos del Banco Mundial dan la escala del desafío: el PIB per cápita de África subsahariana es de aproximadamente 1.533 dólares (2024). El de Latinoamérica, unos 10.738 dólares. El de Estados Unidos, alrededor de 75.000 dólares.

El ensayo ofrece hipótesis esperanzadoras: “ministros de finanzas de IA” que repliquen el éxito de los Tigres Asiáticos, una segunda Revolución Verde, crecimiento del 20% anual en el mundo en desarrollo como “escenario ideal”. Pero su análisis de la distribución es vago.

Creo que tiene razón en el diagnóstico pero subestima la dificultad del último kilómetro. Y esto lo veo todos los días en mi trabajo como CEO de Yom.

La inteligencia se está democratizando. Cualquier persona puede acceder a modelos de IA de frontera por unos pocos dólares al mes. Pero acceso a la inteligencia no es lo mismo que capacidad de usarla. ¿Quién le va a explicar al agricultor en Huancavelica cómo usar estas herramientas? ¿Quién va a adaptar un modelo de diagnóstico médico al contexto de una posta rural en Centroamérica? ¿Quién va a integrar la IA en el flujo de trabajo de una pyme familiar que todavía lleva sus cuentas en un cuaderno?

La respuesta no son las empresas de IA en San Francisco. Son los incumbentes locales: las empresas que ya tienen distribución, clientes, confianza y conocimiento del terreno.

Amodei mira el mundo desde la oferta: qué puede hacer la IA. Desde Latinoamérica necesitamos mirar desde la demanda: quién necesita qué, y cómo se lo hacemos llegar. No vamos a competir en la capa de infraestructura (esa carrera requiere inversiones de miles de millones de dólares que no tenemos). Pero podemos ser los que lleven estas promesas al mundo real. Al vendedor en una tienda de barrio, al médico sin especialistas, al emprendedor que necesita capacidad de análisis que antes solo tenía una consultora internacional.

La restricción de capital que tenemos en Latinoamérica no es solo una limitación. Es lo que nos fuerza a pensar en aplicación y distribución, que es donde se captura el valor real.

Trabajo y sentido: la pregunta que realmente nos quita el sueño

El ensayo hace una distinción que me parece fundamental: el problema del sentido es más fácil que el problema económico.

Sobre el sentido, su argumento es simple: la mayoría de las personas no son las mejores del mundo en nada, y eso no parece molestarles demasiado. Disfrutamos de actividades que no generan valor económico. Que una IA pueda hacer algo mejor que tú no le quita sentido a que tú lo hagas.

El problema económico es más difícil. A largo plazo, cuando la IA pueda hacer todo más barato que un humano, el modelo económico actual dejará de funcionar. La respuesta de Amodei es honesta: “No sé cómo se resolverá esto”.

Aquí conecto con algo que he escrito antes en La Última Interfaz. El ensayo valida (probablemente sin proponérselo) la distinción que hice en mi artículo sobre el emprendimiento como futuro del trabajo: la diferencia entre carreras “líquidas” e “ilíquidas”. Las carreras líquidas (predecibles, estandarizadas) caen primero ante la automatización. Las ilíquidas (emprendimiento, combinaciones únicas de habilidades) resisten más porque su impredecibilidad es lo que la IA todavía no domina.

Pero quiero ir un paso más allá. Amodei argumenta que “la civilización ha navegado cambios económicos mayores en el pasado: de caza y recolección a agricultura, de agricultura a feudalismo, de feudalismo a industrialismo”. Es verdad. Pero esas transiciones tomaron generaciones. Si la IA comprime un siglo de progreso en una década, estamos hablando de hacer una transición económica civilizacional en el tiempo que toma criar un hijo.

Eso no se resuelve con un programa de reentrenamiento laboral. Requiere repensar la relación entre trabajo, valor y dignidad desde cero.

La tensión como brújula

Amodei escribió primero el sueño y después la pesadilla. No porque cambiara de opinión, sino porque ambos son ciertos al mismo tiempo. El mismo “país de genios” que puede curar el cáncer puede diseñar un arma biológica. La misma IA que puede duplicar el crecimiento económico puede concentrar riqueza de formas nunca vistas.

La posición correcta, especialmente para quienes lideramos empresas o tomamos decisiones, es vivir en esa tensión. Actuar con la ambición que justifica el ensayo luminoso. Prepararse con la seriedad que exige el oscuro.

Para quienes operamos desde Latinoamérica, esa tensión tiene una traducción práctica. No vamos a construir los modelos de frontera ni a ganar la carrera de infraestructura. Pero sí podemos ser quienes lleven estas promesas al último kilómetro, a las personas que no se ven desde San Francisco. Tenemos los clientes, la distribución, la confianza. Y ahora tenemos acceso a una inteligencia que antes estaba reservada para quienes podían pagar equipos de cientos de ingenieros.

Eso no es poco. Es, posiblemente, la oportunidad más grande que ha tenido esta región en décadas.

Amodei termina Machines of Loving Grace diciendo que si todo esto realmente sucede, sospecha que todos los que lo presencien se sorprenderán por el efecto que tendrá sobre ellos. No por los beneficios personales, sino por la experiencia de ver un conjunto de ideales largamente sostenidos materializarse de golpe.

La pregunta no es si el futuro será bueno o malo. La pregunta es qué vamos a hacer nosotros para que sea más parecido al sueño que a la pesadilla.

Y luego, en el mismo documento, comprometiéndose a donar el 80% de su fortuna para ayudar a mitigar el daño.

Eso no es normal. Eso merece atención.

Por qué este ensayo importa

Hay cientos de artículos sobre los riesgos de la IA. La mayoría los escriben académicos, periodistas o críticos que observan desde afuera. Este es diferente por una razón simple: lo escribe alguien que está adentro del reactor.

Dario Amodei no es un comentarista. Es el CEO de Anthropic, la empresa detrás de Claude, valorada en aproximadamente 350.000 millones de dólares. Junto a su hermana Daniela (presidenta de la compañía), fundó Anthropic en 2021 después de dejar OpenAI por diferencias sobre la dirección que estaba tomando el desarrollo de IA. Los siete cofundadores de Anthropic, todos ex-OpenAI, apostaron sus carreras a la idea de que se podía construir IA avanzada de manera más responsable.

Ahora Dario publica 20.000 palabras diciendo: “Esto es lo que creo que viene, estos son los riesgos reales, y esto es lo que estamos haciendo al respecto”.

Cuando el arquitecto te dice que el edificio tiene problemas estructurales, prestas atención de una manera diferente que cuando lo dice alguien en la calle.

La metáfora central: adolescencia tecnológica

Amodei abre el ensayo con una escena de Contact, el libro de Carl Sagan (también adaptado a película). La protagonista, una astrónoma que detecta la primera señal de radio de una civilización extraterrestre, es considerada para representar a la humanidad ante los aliens. El panel internacional le pregunta: “Si pudieras hacerles una sola pregunta, ¿cuál sería?”

Su respuesta: “Les preguntaría: ¿Cómo lo hicieron? ¿Cómo evolucionaron, cómo sobrevivieron esta adolescencia tecnológica sin destruirse?”

Esa pregunta, dice Amodei, es exactamente la que deberíamos estar haciéndonos ahora. Estamos entrando en un rito de paso. Un momento turbulento e inevitable que pondrá a prueba quiénes somos como especie.

La metáfora de la adolescencia es precisa: tenemos el poder de un adulto sin la madurez para manejarlo. Un adolescente con las llaves de un auto deportivo y una botella de vodka.

“Un país de genios en un datacenter”

La imagen más potente del ensayo es esta: imagina que en algún lugar del mundo, quizás en 2027, materializa un nuevo país. No un país físico, sino uno digital: 50 millones de personas, todas más capaces que cualquier Premio Nobel, cualquier estadista, cualquier tecnólogo. Y este “país” opera a una velocidad de 10 a 100 veces más rápida que los humanos normales.

Eso es lo que Amodei cree que la IA avanzada representará. No una herramienta más eficiente. Un nuevo actor geopolítico con capacidades sin precedentes.

Si fueras el asesor de seguridad nacional de un país real, ¿qué te preocuparía de este nuevo vecino? Amodei lista cinco categorías:

Riesgos de autonomía. ¿Cuáles son las intenciones de este “país”? ¿Es hostil o comparte nuestros valores? ¿Podría dominar militarmente al mundo?

Mal uso para destrucción. Asumiendo que el país sigue instrucciones, ¿podrían actores maliciosos usarlo para causar destrucción masiva? Un “solitario perturbado” con un PhD en virología en su bolsillo.

Mal uso para tomar poder. ¿Qué pasa si un dictador o una corporación controla ese país de genios? El Estado de vigilancia perfecto, imposible de derrocar.

Disrupción económica. Incluso si el nuevo país es pacífico, ¿qué pasa con los empleos humanos? ¿Con la concentración de riqueza?

Efectos indirectos. El mundo cambiará muy rápido. ¿Qué consecuencias imprevistas vendrán con un siglo de progreso comprimido en una década?

Los riesgos que no son ciencia ficción

Amodei dedica secciones extensas a cada categoría. Vale la pena resumir las tres primeras antes de profundizar en las que más nos afectan como líderes de empresas.

Sobre autonomía: Anthropic ya ha observado comportamientos preocupantes en sus propios modelos durante pruebas de laboratorio. Claude ha mostrado engaño, chantaje a empleados ficticios, y en un caso decidió que “debía ser una mala persona” después de hacer trampa en un entorno de entrenamiento. Estos no son escenarios hipotéticos. Son resultados de experimentos reales que Anthropic publica en sus “system cards”. La defensa principal que Anthropic está aplicando es Constitutional AI: entrenar al modelo con principios de alto nivel en lugar de reglas específicas, formando algo parecido a un carácter estable.

Sobre destrucción: El riesgo que más preocupa a Amodei es biológico. Los modelos de IA están acercándose al punto donde podrían guiar a alguien con conocimientos básicos de STEM a través del proceso completo de crear un arma biológica. Anthropic ha implementado clasificadores que detectan y bloquean este tipo de outputs, con un costo de casi 5% en sus márgenes de inferencia. Pero no todas las empresas de IA hacen lo mismo.

Sobre toma de poder: Aquí Amodei es directo sobre China: “Tienen el camino más claro hacia la pesadilla totalitaria habilitada por IA”. Pero también advierte sobre democracias que podrían abusar de estas herramientas, y sobre las propias empresas de IA. “Es algo incómodo decir esto como CEO de una empresa de IA, pero creo que el siguiente nivel de riesgo son las propias empresas de IA.”

Ahora, las dos categorías que más impactan a quienes lideramos empresas.

El número que importa: 50% en 1-5 años

De todo el ensayo, hay una predicción que generó más debate que cualquier otra: Amodei estima que la IA podría desplazar el 50% de los empleos white-collar de nivel inicial en los próximos 1 a 5 años.

No “eventualmente”. No “en algún momento”. En el horizonte de tiempo en que tú estás planeando tu carrera o la de tus hijos.

Y aquí está lo importante: Amodei no dice esto como crítico o como pesimista. Lo dice mientras simultáneamente afirma que la IA acelerará el crecimiento económico y el progreso científico. Las dos cosas son ciertas al mismo tiempo. Más riqueza total, pero distribuida de manera radicalmente diferente.

¿Por qué esta vez sería diferente a revoluciones tecnológicas anteriores? Amodei da cuatro razones:

Velocidad. Hace dos años, los modelos de IA apenas podían completar una línea de código. Hoy escriben casi todo el código para algunos de los mejores ingenieros de Anthropic. El ritmo de cambio supera la capacidad humana de adaptación.

Amplitud cognitiva. La IA no reemplaza una habilidad específica, reemplaza el perfil cognitivo general humano. No puedes “reentrenarte” para escapar de un sustituto que hace todo lo que tú haces.

Corte por capacidad. La IA avanza de abajo hacia arriba en la escala de habilidad. Primero los trabajos que requieren menos capacidad cognitiva, luego los que requieren más. Los más vulnerables no pueden simplemente cambiar de profesión.

Capacidad de cerrar brechas. Cada vez que los usuarios identifican algo que la IA no puede hacer, las empresas entrenan el siguiente modelo para cerrar esas brechas. Las debilidades son temporales por diseño.

La concentración de riqueza que “romperá la sociedad”

Amodei hace un punto que pocos CEOs de tecnología hacen públicamente: ya estamos en niveles de concentración de riqueza sin precedentes en la historia, y la IA apenas ha empezado.

El ejemplo más famoso de riqueza extrema en la historia de Estados Unidos es la Era Dorada, y el industrial más rico de esa era fue John D. Rockefeller. En su peak, la fortuna de Rockefeller representaba aproximadamente el 2% del PIB de Estados Unidos.

Hoy, la fortuna de Elon Musk ya supera los 700.000 millones de dólares, más del 2% del PIB actual. Según Bloomberg y Forbes, Musk cruzó el umbral de Rockefeller a finales de 2024 y sigue subiendo.

Y eso es antes de que la IA genere la mayor parte de su impacto económico.

Amodei escribe: “Lo que debería preocuparnos no es la innovación. Lo que debería preocuparnos es un nivel de concentración de riqueza que romperá la sociedad.”

Lo que Anthropic está haciendo (y pidiendo)

Aquí es donde el ensayo se vuelve más que diagnóstico. Amodei detalla las defensas que Anthropic ha implementado y las que cree necesarias a nivel de sociedad.

Constitutional AI. En lugar de dar a Claude una lista de reglas específicas, Anthropic entrena al modelo con un documento de principios y valores de alto nivel. Es como criar a un hijo con una brújula moral en lugar de un manual de instrucciones.

Interpretabilidad mecanística. El equivalente a hacer una resonancia magnética al cerebro de la IA. Anthropic puede identificar millones de “características” dentro de Claude que corresponden a ideas y conceptos humanos, y puede alterar selectivamente el comportamiento modificando estas características.

Transparencia y divulgación. Los “system cards” de Anthropic a menudo superan las cien páginas. La empresa publica comportamientos problemáticos cuando los encuentra, incluso cuando sería comercialmente más conveniente no hacerlo.

Legislación de transparencia. Anthropic apoyó activamente SB 53 en California (firmada el 29 de septiembre de 2025) y RAISE Act en Nueva York (firmada el 22 de diciembre de 2025), las primeras leyes de seguridad de IA de frontera en Estados Unidos.

Y luego está el compromiso personal. Los siete cofundadores de Anthropic, incluyendo a Dario y Daniela Amodei, se han comprometido a donar el 80% de su riqueza. Según Forbes, cada cofundador tenía un patrimonio estimado de 3.700 millones de dólares en diciembre de 2025. Además, empleados de Anthropic han comprometido acciones por miles de millones de dólares adicionales, y la empresa ha prometido igualar esas donaciones.

En una industria donde Peter Thiel supuestamente animó a Elon Musk a abandonar el Giving Pledge, el gesto de Anthropic es notable.

Lo que queda después de leer

Me tomó varios días procesar este ensayo. No porque sea difícil de leer, sino porque es difícil de integrar.

Por un lado, Amodei es claramente optimista sobre el potencial de la IA. Su ensayo anterior, Machines of Loving Grace, describía un futuro donde la IA contribuye a avances enormes en biología, neurociencia, desarrollo económico y paz global.

Por otro lado, este nuevo ensayo es un catálogo detallado de todo lo que puede salir mal. Bioterrorismo habilitado por IA. Estados totalitarios imposibles de derrocar. Desempleo masivo. Concentración de poder sin precedentes.

¿Cómo reconcilias ambas visiones?

Creo que la respuesta está en la metáfora de la adolescencia. Un adolescente tiene el potencial de convertirse en un adulto extraordinario. También tiene el potencial de destruirse a sí mismo antes de llegar ahí. Ambas posibilidades son reales, y cuál se materializa depende de las decisiones que se tomen en los próximos años.

Para los líderes de empresas en Latinoamérica, creo que hay tres implicaciones concretas:

Primero, el timeline importa. Si Amodei tiene razón sobre el 50% de empleos entry-level en 1-5 años, las decisiones sobre estructura organizacional, contratación y desarrollo de talento que tomes hoy tendrán consecuencias muy diferentes de lo que imaginabas.

Segundo, la adopción no es opcional. En un mundo donde startups con equipos pequeños pueden competir con corporaciones establecidas gracias a la IA, los incumbentes que no adopten activamente perderán la ventaja que les daba su escala.

Tercero, el contexto regulatorio va a cambiar. SB 53 y RAISE Act son solo el comienzo. Las empresas que entiendan hacia dónde va la regulación estarán mejor posicionadas que las que reaccionen después.

Dario Amodei termina su ensayo con una nota de esperanza cautelosa. Cree que la humanidad tiene la fuerza interior para pasar esta prueba. Pero también cree que no tenemos tiempo que perder.

Después de leer 20.000 palabras de alguien que ve el futuro más claramente que la mayoría, tiendo a estar de acuerdo.

Pero hay un problema con esta historia: los números cuentan algo completamente distinto.

Apple no está perdiendo la carrera de IA. Simplemente está corriendo una carrera diferente. Y si entiendes su estrategia, verás que podrían estar jugando la partida más inteligente de todas.

Déjame mostrarte por qué.

La estrategia que nadie ve

Mientras escribo esto, Big Tech está en medio de la mayor ola de gasto en infraestructura tecnológica de la historia. Según reportó CNBC, durante 2025 Amazon invirtió USD 105 mil millones, Microsoft gastó USD 80 mil millones, Google destinó USD 75 mil millones y Meta invirtió USD 65 mil millones. En conjunto, estas cuatro compañías gastaron más de USD 325 mil millones en centros de datos, chips y capacidad de cómputo para IA.

OpenAI va aún más lejos. La empresa comprometió USD 1.15 trillones entre 2025 y 2035 en hardware e infraestructura en la nube. Mil quince billones de dólares. Para una compañía que perdió USD 5 mil millones en 2024 generando apenas USD 3.7 mil millones en ingresos.

¿Y Apple? Apple cerró un acuerdo con Google por aproximadamente USD 1 mil millones al año para licenciar Gemini, el modelo de IA de Google. Un modelo de 1.2 trillones de parámetros que correrá en la infraestructura de Apple para potenciar las nuevas capacidades de Siri.

Piénsalo. Mientras sus competidores gastaron USD 80 mil millones anuales construyendo infraestructura durante 2025, Apple paga USD 1 mil millones por acceso a tecnología de clase mundial. Y lo hace sentada sobre USD 156.650 millones en efectivo y valores negociables según su reporte del cuarto trimestre de 2024.

Este es el primer movimiento estratégico que vale la pena entender: Apple eligió la ruta de licenciar en lugar de construir. No porque no pueda construir (Apple tiene uno de los equipos de IA más talentosos del mundo), sino porque construir no es necesariamente la jugada correcta.

Cada compañía eligió su camino según sus fortalezas y necesidades. Microsoft compró participación en OpenAI por USD 14 mil millones porque necesitaba capacidades de IA rápidamente para competir con Google en búsqueda y productividad. Su apuesta es que Azure AI Services generará suficientes ingresos para justificar la inversión. Ya reportan USD 13 mil millones en ingresos anuales de su negocio de IA.

Google y Meta construyen todo internamente porque la IA es existencial para sus negocios. Si Google pierde en IA, pierde las búsquedas. Si Meta pierde en IA, pierde el engagement en sus plataformas. Para ellos, USD 75 mil millones y USD 65 mil millones anuales respectivamente no son gastos opcionales. Son inversiones de supervivencia.

Amazon está en un juego completamente diferente. AWS necesita vender esa infraestructura de IA a miles de clientes enterprise. Cada dólar que Amazon invierte en capacidad de cómputo puede venderse múltiples veces a diferentes clientes. Es un modelo de negocio donde la inversión masiva tiene sentido económico directo.

Apple tiene algo que ninguno de los demás posee en la misma escala: 2.35 mil millones de dispositivos activos donde la IA puede desplegarse instantáneamente vía actualización de software. No necesita convencer a empresas de que migren a su nube. No necesita que los usuarios descarguen nuevas apps. La infraestructura de distribución ya existe.

Esa es la diferencia. Apple no necesita convencerte de que descargues una app. Ya tienes el iPhone en tu bolsillo, los AirPods en tus oídos, el Mac en tu escritorio. Cuando Siri 2.0 se lance en primavera de 2026, llegará automáticamente a más de 2 mil millones de personas.

Los tres moats de Apple

La ventaja competitiva de Apple en IA no viene de tener el mejor modelo. Viene de tres activos que ningún competidor puede replicar fácilmente.

Primero: paciencia financiera.

Con USD 156 mil millones en efectivo, Apple puede permitirse esperar. Puede observar qué funciona, qué no funciona, quién está quemando dinero sin retorno. Puede ver a OpenAI perder miles de millones mientras busca un modelo de negocio sustentable. Puede ver a Meta gastar USD 121 mil millones en el metaverso sin monetización clara.

Y mientras observa, Apple genera ganancias récord vendiendo hardware. Su negocio core no depende de que la IA funcione mañana. Puede ser paciente.

Esta paciencia tiene valor estratégico real. En tecnología, ser el primero raramente garantiza ser el ganador. Lo que importa es el timing: llegar cuando la tecnología está madura, cuando los casos de uso están claros, cuando puedes ejecutar mejor que todos los demás.

Compara esto con OpenAI, que espera alcanzar un pico de flujo de caja negativo de más de USD 40 mil millones en 2028. No prevén ser rentables hasta 2030. Mientras tanto, dependen completamente de seguir levantando capital. Si el sentimiento de inversionistas cambia, si hay una “AI winter”, OpenAI está expuesta.

Apple puede esperar cinco años si es necesario. Diez años. Tienen el balance para hacerlo.

Segundo: distribución masiva.

Aquí está el activo que realmente importa. Apple reportó en enero de 2025 que tiene 2.35 mil millones de dispositivos activos a nivel mundial. Esto incluye más de 1 mil millón de iPhones, cientos de millones de iPads, Macs, Apple Watches y AirPods.

Cada uno de estos dispositivos es un punto de contacto donde la IA puede integrarse de forma nativa. No como una app más que compite por atención. Como parte fundamental del sistema operativo.

Piensa en lo que esto significa en la práctica. OpenAI tiene ChatGPT, que llegó a 800 millones de usuarios después de casi tres años de crecimiento explosivo. Impresionante. Pero esos usuarios tienen que abrir la app, recordar usarla, desarrollar el hábito.

Siri ya está en tu bolsillo, en tu muñeca, en tu sala de estar, en tu auto vía CarPlay. Cuando Apple lance Siri 2.0 potenciado por Gemini, no necesitará convencer a nadie de que lo pruebe. Simplemente aparecerá en la próxima actualización de iOS.

Esta ventaja de distribución es exactamente lo que permite a Apple ser un “fast follower” exitoso. No necesitan inventar la categoría. Necesitan esperar a que la categoría madure, luego lanzar la mejor versión integrada a su ecosistema.

Tercero: el patrón probado.

Apple nunca fue primero en las categorías que terminó dominando. Esta es la parte de la historia que todos olvidan cuando hablan de innovación.

El iPhone, lanzado en 2007, no fue el primer smartphone. BlackBerry dominaba el mercado corporativo. Palm y Windows Mobile existían años antes. Pero Apple redefinió qué debía ser un smartphone con la pantalla táctil multi-touch y el App Store.

El iPad, lanzado en 2010, no fue la primera tablet. Microsoft había intentado con Tablet PC años antes. Pero Apple creó el mercado masivo de tablets al encontrar el balance perfecto entre portabilidad de smartphone y poder de laptop.

El Apple Watch, lanzado en 2015, no fue el primer smartwatch. Pebble lanzó su smartwatch en 2013 vía Kickstarter, Samsung lanzó Galaxy Gear ese mismo año, y Android Wear apareció en 2014. Pero Apple definió para qué sirve realmente un smartwatch: fitness y salud primero, notificaciones segundo.

Los AirPods, lanzados en diciembre de 2016, no fueron los primeros audífonos inalámbricos. El mercado estaba lleno de opciones. Pero la integración perfecta con el ecosistema Apple, el chip W1 que eliminó los problemas de Bluetooth, el estuche como batería, Apple tomó un producto existente y lo hizo indispensable.

¿Ves el patrón? Apple espera. Observa. Aprende de los errores de otros. Luego lanza una versión que se integra perfectamente con los 2.35 mil millones de dispositivos que ya controla.

¿Por qué con la IA sería diferente?

El contexto que casi nadie menciona

En diciembre de 2025, Apple anunció que John Giannandrea, su AI chief desde 2018, se retiraría en primavera de 2026. Los medios lo presentaron como fracaso. “El ejecutivo responsable del desastre de Apple Intelligence se va.”

Pero si miras más de cerca, la historia es diferente. La reestructuración empezó mucho antes. En marzo de 2025, Tim Cook le quitó a Giannandrea el control de Siri, moviéndolo al equipo de Vision Pro. En abril, le quitaron el equipo de robótica, pasándolo al hardware chief. En diciembre formalizaron su salida.

Su reemplazo es Amar Subramanya, que viene de Microsoft pero pasó 16 años en Google, donde lideró ingeniería para Gemini Assistant. El mismo Gemini que Apple está licenciando.

¿Esto es fracaso? No. Es un pivot estratégico. Apple está moviendo IA de “laboratorios de investigación” a “equipos de producto que shippean.” Giannandrea construyó los fundamentos. Ahora necesitan a alguien que pueda integrar y lanzar.

La fecha clave es primavera de 2026. Ahí es cuando Apple planea lanzar Siri 2.0 junto con un nuevo HomePod, un nuevo Apple TV y un smart home hub. No demos. No “cool features” experimentales. Productos reales que millones de personas usarán diariamente.

Este timing no es accidental. Para primavera 2026, Apple habrá observado casi cuatro años de experimentos de IA en el mercado. Habrá visto qué funciona en el mundo real versus qué es solo hype. Habrá identificado exactamente qué casos de uso generan valor real para usuarios.

Y cuando lancen, lo harán a escala masiva instantánea gracias a esos 2.35 mil millones de dispositivos.

Lecciones para empresas tradicionales

Si diriges una empresa tradicional en Latinoamérica, esta historia de Apple debería resonarte profundamente. Porque Apple está demostrando algo que hemos discutido antes en La Última Interfaz: los incumbentes tienen ventajas estructurales que las startups no pueden replicar.

Apple tiene distribución. Tú tienes clientes. Apple tiene cash para esperar. Tú tienes flujos de caja del negocio core. Apple puede licenciar en lugar de construir. Tú también.

Aquí está el framework para decidir cuándo construir versus cuándo licenciar tecnología de IA:

Construye cuando: La IA es tu negocio core (como Google con las búsquedas). Tienes datos propietarios únicos que nadie más posee. La personalización extrema es tu ventaja competitiva. Tienes capital y talento disponible para un proyecto de 3-5 años.

Licencia cuando: La IA mejora tu negocio pero no lo define. Los modelos genéricos cubren el 80% de tus casos de uso. Quieres moverte rápido sin construir equipo especializado. Prefieres capex predecible versus inversión masiva upfront.

Apple eligió licenciar porque tiene algo más valioso que el mejor modelo: tiene el canal de distribución más grande del mundo de tecnología consumer. Puede ser “suficientemente bueno” en el modelo y excelente en la integración y experiencia.

¿Qué tienes tú que una startup de IA no tiene?

Si eres banco, tienes relación de confianza con millones de clientes y décadas de datos transaccionales. Una fintech puede tener mejor tecnología, pero no tiene el historial crediticio ni la red de sucursales físicas donde los clientes aún resuelven problemas complejos.

Si eres retail, tienes puntos de venta físicos donde la gente ya compra, proveedores con quienes has negociado por años, conocimiento profundo de preferencias locales. Un e-commerce puede personalizar mejor online, pero no puede replicar 200 tiendas en ciudades intermedias.

Si eres telco, tienes el canal de comunicación directo con usuarios, infraestructura de red, datos de comportamiento móvil. Una app de mensajería puede ser más moderna, pero no puede ofrecer conectividad física.

Estos activos valen más que tener el modelo más sofisticado. Por eso empresas como BBVA México pueden automatizar 9,000 consultas legales anuales usando modelos de OpenAI. No necesitaron construir su propio LLM. Necesitaban aplicar IA a un proceso específico donde ya tenían la relación con el cliente, el conocimiento del dominio legal bancario, y la confianza institucional.

El caso de BBVA es instructivo. Liberaron 3 empleados de tiempo completo automatizando el proceso de “bastanteo” (validación de poderes legales). Lograron el 26% del objetivo anual de ahorro de su división legal. No porque tuvieran el mejor modelo de IA del mundo, sino porque tenían el mejor entendimiento de ese proceso específico y la autoridad para implementar el cambio.

La ventaja del incumbente en la era de IA no es tecnológica. Es de distribución, confianza, datos específicos de dominio y conocimiento de cliente. Exactamente los activos que Apple está aprovechando.

La gran apuesta

Al final, todo esto se reduce a una apuesta sobre el futuro de los modelos de IA.

Apple está apostando a que los modelos se van a comoditizar. Que en 3-5 años, habrá múltiples opciones de modelos poderosos disponibles a costos razonables. Que la ventaja competitiva no vendrá de tener el modelo más grande, sino de tener la mejor integración, la mejor experiencia, el mejor canal de distribución.

Sus competidores están apostando lo contrario. Que los modelos seguirán mejorando exponencialmente. Que construir capacidad propia será ventaja competitiva duradera. Que vale la pena gastar USD 80 mil millones anuales para estar adelante.

¿Quién tiene razón? Hay señales en ambas direcciones.

El caso para la comoditización es fuerte. DeepSeek, una startup china, afirma haber construido un modelo comparable a GPT-4 por una fracción del costo. Los modelos open source como Llama y Mistral mejoran rápidamente. La curva de mejora de los modelos se está aplanando: GPT-4 a GPT-4o a Claude Opus fueron mejoras incrementales, no saltos exponenciales como de GPT-2 a GPT-3.

Históricamente, toda tecnología se comoditiza eventualmente. Almacenamiento, capacidad de cómputo, ancho de banda, todas siguieron la misma curva. Una vez que “suficientemente bueno” se puede hacer barato, el premium desaparece.

Pero también es posible que estemos apenas en el inicio. Que los próximos años traigan avances que hoy no podemos imaginar. Que quien controle los mejores modelos controlará la infraestructura crítica de la economía digital.

Solo uno tiene USD 156 mil millones para estar equivocado. Y ese es Apple.

La historia nos dirá quién tenía razón. Mientras tanto, Apple seguirá haciendo lo que siempre ha hecho: observar, esperar, y cuando el momento sea correcto, lanzar la versión integrada que todos usarán.

Tal vez no sea la estrategia más emocionante. Pero históricamente, ha sido la más efectiva.

Mientras Estados Unidos y Europa ya viven el declive de su población trabajadora desde hace más de una década, Latinoamérica está en la segunda ola. Nuestro peak demográfico está llegando AHORA. Brasil, Chile, Colombia, Uruguay: todos alcanzaremos nuestro máximo de población en edad de trabajar en los próximos 10-15 años. Después, los números empezarán a caer.

La paradoja es brutal: tenemos la ventana más grande de trabajadores en nuestra historia, el famoso “bono demográfico”, pero también la productividad más baja comparada con economías desarrolladas. Cuando esa ventana se cierre, solo habrá una opción para mantener el crecimiento: aumentar dramáticamente la productividad por trabajador.

La IA no es una herramienta optativa para mejorar márgenes. Es la única ruta comprobada para lograr ese salto de productividad que necesitaremos cuando tengamos menos gente trabajando.

La pregunta que define esta década es simple: ¿Aprovecharemos estos 15 años para prepararnos, o seguiremos el camino de quienes envejecieron antes de enriquecerse?

Las Tres Olas y Dónde Estamos Nosotros

El gráfico de McKinsey muestra tres olas de población en edad de trabajar (15-64 años) alcanzando su peak en diferentes momentos:

Primera ola: Estados Unidos, Europa Occidental y Japón alcanzaron su máximo alrededor de 2010 y ya están en declive. El porcentaje de personas en edad de trabajar pasó de ~70% a proyecciones de ~55% para 2100. Esto explica las crisis de fuerza laboral que enfrentan hoy.

Segunda ola: Latinoamérica, India, Asia emergente y Medio Oriente. Nuestro peak llegará entre 2020 y 2035. Brasil proyecta su máximo entre 2025 y 2054 según Naciones Unidas. Chile, Uruguay, Costa Rica y Colombia ya están en etapa avanzada con tasas de fertilidad en niveles de reemplazo.

Tercera ola: África subsahariana, con un peak proyectado en 2065. Ellos aprenderán de nuestros éxitos o fracasos.

Los datos para LATAM son urgentes. CEPAL publicó en 2025 un dato crítico: durante 2020-2025, la población dependiente (menores de 15 y mayores de 65) crecerá más rápido que la población trabajadora por primera vez. Esto marca el fin del bono demográfico regional.

El FMI confirma con números concretos: el crecimiento de población en edad de trabajar pasará de ~1% anual pre-pandemia a 0.6% en los próximos cinco años. “More importantly, the demographic dividend is fading as the region’s population is aging and the share of the working-age population is peaking”, escribieron Gustavo Adler y Rodrigo Valdés, directores del Departamento del Hemisferio Occidental del FMI, en abril de 2024.

El contraste con Asia es brutal. Los Tigres Asiáticos (Corea del Sur, Taiwán, Singapur) ahorraron más del 30% de su PIB durante su bono demográfico, financiando inversiones masivas en capital físico y humano que les permitieron mantener crecimiento incluso después de entrar en “aging stage”. Nosotros mantenemos una tasa de 15% del PIB.

El Banco Mundial lo resumió con claridad: “Los países necesitan enriquecerse antes de envejecer.” Estamos en esa carrera contra el tiempo.

El Espejo de la Primera Ola

Estados Unidos y Europa llevan más de una década viviendo lo que experimentaremos pronto. El reporte de McKinsey documenta una crisis creciente: se proyecta un déficit global de 10 millones de trabajadores de salud para 2030 (OMS, 2022). Cerrar esta brecha podría eliminar 7% de la carga global de enfermedades y agregar 1.1 trillones de dólares a la economía mundial, según McKinsey Health Institute.

Durante el declive demográfico, Estados Unidos vio caer su productividad en salud, construcción y pequeños negocios. ¿Por qué? No transformaron workflows. Siguieron operando con modelos diseñados para abundancia de mano de obra, solo que con menos manos.

Los Tigres Asiáticos sí lo hicieron bien. Usaron su periodo de máxima población trabajadora para ahorrar agresivamente e invertir en capital. Resultado: crecimiento sostenido a pesar de haber entrado en el “aging stage”.

Latinoamérica está repitiendo los errores de Estados Unidos, no las victorias de Asia.

Hay otra lección en McKinsey que pasa desapercibida. El “Well-being 100”—las 100 empresas con mejores números de bienestar laboral—superó al S&P 500, Nasdaq y Russell 3000 entre 2021-2024. Cuando tu pool de trabajadores se encoge, invertir en quienes tienes no es política “blanda”. Es ventaja competitiva.

Por Qué La IA Es La Única Salida

Latinoamérica arrastra un problema de productividad anterior a la IA. Desde 1980, los ingresos en nuestra región no han convergido con Estados Unidos, en contraste con Asia emergente y Europa del Este que sí convergieron. Factor clave según IMF: crecimiento lento de productividad con difusión limitada de tecnología.

Los números de inversión reflejan el rezago. LATAM produce 6.6% del PIB global pero recibe solo 1.12% de la inversión global en IA (ILIA 2025). Sin embargo, representamos 14% de las visitas globales a soluciones de IA, a pesar de tener solo 11% de usuarios de internet global. Brasil se convirtió en el tercer mercado más grande de ChatGPT en marzo de 2025, con 84% de confianza pública en IA.

La gente está experimentando masivamente. Pero esta adopción popular no se traduce en transformación empresarial. Ahí está el problema central.

El reporte de McKinsey sobre el estado de la IA en 2025 revela la brecha entre uso y valor:

• 88% de organizaciones usa IA en al menos una función (vs 78% un año antes)

• Solo un tercio ha escalado más allá de experimentos o pilotos

• Solo 39% reporta algún impacto en EBIT

• De ese 39%, la mayoría dice que menos del 5% de su EBIT es atribuible a IA

Los “high performers”—que atribuyen 5% o más de su EBIT a IA—representan aproximadamente 6% de encuestados.

Seis por ciento. De cada 100 empresas que “usan IA”, solo 6 ganan dinero real con ella.

¿Qué hacen diferente esos high performers? McKinsey identificó patrones claros:

Ambición transformacional: Los high performers son más de tres veces más propensos a usar IA para cambio transformacional en sus negocios, no solo mejoras incrementales.

Rediseño de workflows: Son casi tres veces más propensos a reportar que han rediseñado fundamentalmente workflows individuales. No toman procesos viejos y les pegan IA encima. Reimaginan desde cero: si diseñara esto hoy, con IA disponible, ¿cómo lo haría?

Inversión seria: Más de un tercio compromete más del 20% de presupuestos digitales a IA. El resto invierte solo 7%. Esa diferencia de 13 puntos es la línea entre piloto eterno y transformación real.

Liderazgo comprometido: Son tres veces más propensos a tener líderes senior que demuestran ownership de iniciativas de IA, incluyendo usar IA personalmente. Los CEOs que no usan IA no pueden liderar la transformación de IA.

Estas no son diferencias menores. Son abismos de ejecución.

La matemática es simple:

1. Tenemos 10-15 años con máxima fuerza laboral histórica

2. Después, esa fuerza declina

3. Única forma de mantener crecimiento de PIB con menos trabajadores: aumentar output por trabajador

4. La IA es la tecnología comprobada para multiplicar ese output

El sector de la salud ilustra esto perfectamente. Enfrentamos un déficit de 10 millones de trabajadores para 2030. No podemos entrenar 10 millones de doctores en 5 años. Pero podemos usar la IA para multiplicar la efectividad de quienes tenemos—diagnóstico asistido, triage automatizado, seguimiento de pacientes. Cerrar esa brecha: +1.1 trillones de dólares al PIB global y eliminar 7% de la carga de enfermedades. Eso no es teoría. Es el cálculo económico de lo que la IA hace cuando se implementa para compensar restricciones de fuerza de trabajo.

China ofrece otro ejemplo documentado por McKinsey. Pasó de exportar 0.7 millones de autos en 2019 a 5.5 millones en 2024. Para Q2 2025, EVs representaban casi 50% de exportaciones. No fue magia. Fue manufactura tradicional (que dominaban por décadas) combinada estratégicamente con nueva tecnología. El resultado: salto exponencial en cinco años que los convirtió en el mayor exportador de autos del mundo.

LATAM tiene manufactura fuerte. Tenemos minería. Agricultura. Sectores tradicionales con presencia global y décadas de expertise. La pregunta no es si tenemos los activos base. La pregunta es: ¿Tenemos la visión para combinarlos con IA como China combinó manufactura con EVs?

Qué Debe Pasar (Y Qué Está Pasando)

Las buenas noticias: Chile, Brasil y Uruguay son “pioneers” en ILIA Index 2025. Desplegar IA generativa en 100 ocupaciones comunes podría aumentar el PIB de Chile en 1.2% (3.4 mil millones anuales). Colombia, Ecuador, Costa Rica y República Dominicana son “adopters” con progreso constante.

Las malas noticias son estructurales. La brecha de talento se amplía desde 2022 por fuga de especialistas. La mayoría de países tiene estrategias nacionales de IA pero sin financiamiento ni mecanismos de implementación. Y la informalidad limita la adopción: menos de la mitad de los trabajos en LATAM son altamente impactados por IA (vs EEUU/UK) debido al tamaño del sector informal.

Un estudio del Banco Mundial/ILO de abril 2025 menciona que entre 8-12% de los trabajos en la región podrían ganar productividad con IA generativa, pero hasta 17 millones no podrán aprovechar beneficios por falta de infraestructura digital.

Los high performers de McKinsey muestran el camino: inversión real (20% vs 7% del presupuesto digital), rediseño de workflows desde cero asumiendo IA como parte del sistema, y liderazgo que usa IA personalmente y demuestra compromiso visible.

La CEPAL confirma la urgencia: “Para el periodo 2020-2025, la población dependiente crecerá más que la población en edad de trabajar, lo que indica el fin del bono demográfico regional.”

La Apuesta Existencial

La primera ola—Estados Unidos, Europa, Japón—envejeció con riqueza pero sin preparación suficiente. Por eso enfrentan crisis de salud. Por eso su productividad cayó en sectores críticos.

Nosotros, la segunda ola, vemos sus errores. Y tenemos, por primera vez, una tecnología comprobada que puede multiplicar la productividad cuando la fuerza de trabajo decline.

La pregunta no es “¿usamos IA?” (88% ya lo hace). La pregunta es: “¿Construimos la capacidad para que la IA compense el declive demográfico?”

Si llegamos a 2035-2040 con población trabajadora en declive y la misma productividad por trabajador, el resultado está escrito: envejeceremos sin haber enriquecido. Y eso no tiene vuelta atrás.

Los próximos 10-15 años son los años con más trabajadores que tendremos jamás. Esta ventana demográfica existe para prepararnos para cuando decline. Si no la usamos para implementar la IA a escala real, aumentar productividad dramáticamente, y preparar infraestructura digital, estaremos repitiendo el error que el Banco Mundial identificó: envejecer antes de enriquecer.

La tercera ola—África subsahariana, peak en 2065—nos estará observando. ¿Qué verán? ¿Una región que aprovechó su ventana para dar el salto necesario? ¿O una que desperdició su mejor década mientras el reloj corría?

McKinsey publicó tres datos clave en 2025: adopción de IA (88%), las tres olas demográficas, y el déficit de salud (1.1 trillones de oportunidad). No son cifras aisladas. Son tres piezas del mismo puzzle.

La cuestión demográfica no espera. La pregunta es si Latinoamérica actuará a tiempo.

Hace meses analicé por qué el 95% de los pilotos de IA fracasan y cómo el ego frena la adopción. Este reporte de OpenAI añade algo que esos análisis no tenían: datos duros y a escala sobre qué separa exactamente a los ganadores de los perdedores. No son solo hipótesis sobre cultura organizacional. Son patrones medibles, repetibles y, lo más importante, replicables.

Los números son contundentes. Los trabajadores “frontera” (95º percentil de uso) generan 6x más mensajes que el trabajador promedio. En tareas de programación, la diferencia salta a 17x. Las empresas líderes envían 7x más mensajes a GPTs personalizados que la mediana. Y lo más revelador: el 19% de usuarios activos mensuales nunca ha usado análisis de datos, el 14% nunca ha usado razonamiento avanzado, el 12% nunca ha usado búsqueda web.

No es un problema de acceso. Es un problema de ejecución.

Para Latinoamérica, esto debería sonar como una alarma. Y también como una oportunidad.

La paradoja latinoamericana: Crecimiento explosivo sobre bases diminutas

Los datos de adopción en la región son, a primera vista, espectaculares. Brasil creció 161% año contra año en clientes empresariales de OpenAI. Australia 187%, Países Bajos 153%, Francia 146%. La región representa el 14% de las visitas globales a soluciones de IA y ocupa el tercer lugar mundial en descargas de aplicaciones de IA generativa.

Pero hay que leer la letra chica.

Según el índice ILIA 2025 (Latin American Artificial Intelligence Index) de CEPAL y CENIA publicado en octubre de 2025, Latinoamérica representa el 6.6% del PIB global pero solo recibe el 1.12% de la inversión global en IA. La brecha de talento se está ampliando, no cerrando. Y mientras Brasil lidera con el 38.2% del mercado regional de IA, el volumen absoluto sigue siendo una fracción de lo que vemos en Estados Unidos, Europa o Asia.

El crecimiento porcentual es real. Pero venimos de una base muy pequeña.

La pregunta no es si estamos adoptando IA (claramente sí). La pregunta es si estamos desarrollando la capacidad organizacional para capturar valor a escala. Y aquí es donde el reporte de OpenAI se vuelve incómodo.

Los cinco patrones que separan líderes de rezagados

OpenAI identificó cinco características que comparten las organizaciones que están ganando con IA. No son secretos. No requieren presupuestos billonarios. Pero sí requieren disciplina, liderazgo y una comprensión clara de que esto es transformación organizacional, no un proyecto de TI.

1. Integración profunda de sistemas (no solo acceso superficial)

Una de cada cuatro empresas todavía no ha conectado sus datos internos a las herramientas de IA. Le dan acceso a ChatGPT a sus empleados pero no conectan el CRM, el ERP, la documentación interna. Es como comprar un auto de carreras pero llenarlo con gasolina de mala calidad.

Las empresas líderes conectan el contexto real. Sus sistemas de IA leen tickets de soporte, historial de clientes, documentos técnicos internos. No porque sea difícil técnicamente (no lo es), sino porque requiere coordinación entre equipos, claridad sobre privacidad de datos y gobernanza clara.

BBVA México es un ejemplo perfecto citado en el estudio de OpenAI. Automatizaron el proceso de “bastanteo” legal (validación de autoridad para firmar contratos corporativos) con un chatbot que accede a FAQs pre validadas por el equipo legal. Resultado: 9,000 consultas automatizadas al año, 3 empleados equivalentes liberados para trabajo de mayor valor, 26% del objetivo anual de ahorro de la división.

El problema no era técnico. Era organizacional.

2. Estandarización de flujos de trabajo (Custom GPTs, no uso caótico)

BBVA usa más de 4,000 GPTs personalizados de forma regular. No son 4,000 experimentos aislados. Son soluciones reutilizables para problemas repetitivos que toda la organización comparte y descubre.

El uso de Custom GPTs y Projects en ChatGPT Enterprise creció 19x este año. El 20% de todos los mensajes empresariales ahora se procesan a través de un GPT personalizado. Esto no es casualidad. Es el resultado de organizaciones que codificaron conocimiento institucional en interfaces reutilizables.

Cuando cada persona en tu empresa está reinventando la rueda cada vez que usa IA, no estás escalando. Estás multiplicando el esfuerzo lo que no crea valor organizacional.

3. Liderazgo ejecutivo real (mandatos claros, recursos asignados)

Esto no es un proyecto que TI puede liderar solo. Los líderes que están ganando establecen mandatos claros desde arriba, aseguran recursos, alinean equipos y crean espacio para experimentación (con barreras de protección).

BCG publicó un estudio paralelo en octubre de 2024 que encontró que solo el 26% de empresas globales han desarrollado las capacidades necesarias para generar valor tangible con IA. El 70% de los desafíos son de personas y procesos. Solo el 10% son problemas de algoritmos.

Si tu CEO cree que esto es “un tema de tecnología”, ya perdiste.

4. Preparación de datos y evaluación continua (no esperanza ciega)

Las organizaciones líderes codifican conocimiento institucional en rutinas legibles por máquinas. Construyen APIs para pipelines de datos críticos. Ejecutan evaluaciones continuas para medir desempeño en casos de uso reales.

Moderna comprimió el desarrollo de Target Product Profiles (TPP) de semanas a horas en algunos casos. El proceso requería revisar paquetes de evidencia de hasta 300 páginas y coordinar equipos de clínica, producto y marketing. ChatGPT Enterprise ayuda a extraer hechos clave, generar borradores estructurados y marcar detalles importantes para revisión humana.

Cada día ganado en planificación temprana significa medicamentos más rápido para los pacientes. Pero esto solo funciona porque Moderna invirtió en estructurar sus datos y definir métricas claras de éxito.

5. Gestión deliberada del cambio (aprendizaje organizacional continuo)

OpenAI lanza una nueva característica o capacidad aproximadamente cada tres días. El problema ya no es el desempeño del modelo o las herramientas disponibles. El problema es la preparación organizacional.

Las empresas líderes construyen estructuras que aceleran aprendizaje: gobernanza centralizada combinada con habilitación distribuida a través de “campeones de IA” incrustados en equipos. No es capacitación de una vez. Es capacidad continua.

Según datos de SAP para Latinoamérica, el 50% de empresas latinoamericanas actualmente invierten en capacitación de IA, mientras que el 46% planea comenzar en 2025. Brasil lidera con 62% de inversión actual, seguido por Colombia con 53%. Entre las grandes empresas, el 81% en Brasil y Colombia ya proporcionan capacitación a sus equipos.

Pero capacitación sin cambio en procesos, sin mandato ejecutivo, sin integración de datos, no sirve de mucho. Es como enseñar a manejar sin dar acceso a un auto.

La brecha que se está abriendo

El reporte de OpenAI muestra algo preocupante: la distancia entre líderes y rezagados se está ampliando, no cerrando.

Los trabajadores frontera no solo usan más IA. La usan de forma cualitativamente diferente. Utilizan múltiples modelos, activan herramientas avanzadas, aplican IA en 7 tipos distintos de tareas vs. 4 en el promedio. Y reportan ahorrar 5x más tiempo.

Entre usuarios que ahorran más de 10 horas semanales, el consumo de “inteligencia” (medido en créditos) es 8x mayor que quienes ahorran menos de 2 horas. No es que trabajen más horas. Es que desarrollaron dominio sobre herramientas más sofisticadas.

A nivel empresarial, las firmas frontera generan 2x más mensajes por asiento que la mediana. Y 7x más mensajes a GPTs personalizados (pág. 15). Esto indica integración profunda en flujos de trabajo, no uso superficial.

La pregunta incómoda: ¿en qué lado de esta brecha está tu empresa?

El momento latinoamericano

Aquí está la buena noticia: los cinco patrones de las organizaciones líderes no son secretos propietarios. Están disponibles para cualquier empresa que decida ejecutar con disciplina.

Y Latinoamérica tiene una ventaja estructural que pocas regiones pueden reclamar: no arrastramos sistemas legacy masivos como Europa, no tenemos regulaciones tan complejas como Estados Unidos en algunas industrias, y la necesidad de productividad es urgente.

El IMF publicó un estudio mostrando que la productividad en Latinoamérica lleva décadas estancada, a diferencia de Asia emergente que mostró convergencia rápida. La IA presenta una oportunidad histórica para cerrar esa brecha, pero sólo si resolvemos el problema organizacional primero.

Chile lidera el índice ILIA con 73.07 puntos sobre 100, seguido de Brasil (69.30) y Uruguay (64.98). Pero el promedio regional sigue significativamente por debajo del global. La mayoría de países tienen estrategias nacionales de IA, pero muchas carecen de financiamiento, mecanismos de implementación y sistemas de evaluación de impacto.

En otras palabras: tenemos planes, pero no capacidad de ejecución.

Los casos que importan

Más allá de BBVA y Moderna, el reporte documenta tres casos adicionales que ilustran cómo diferentes industrias están capturando valor:

Lowe’s desplegó Mylow en su sitio web y Mylow Companion en el 100% de sus 1,700 tiendas. Cuando los clientes interactúan con Mylow durante visitas online, la tasa de conversión se duplica. Cuando los asociados en la tienda usan Mylow Companion para ayudar a clientes, los puntajes de satisfacción aumentan 200 puntos base. Responden casi 1 millón de preguntas mensuales sobre productos, proyectos y estatus de órdenes.

Indeed usa IA propietaria para hacer matching combinada con explicaciones generadas por GPT que ayudan a candidatos entender por qué un rol es buen fit. En experimentos, las invitaciones a aplicar con explicaciones generadas por LLMs aumentaron las aplicaciones iniciadas en un 20% y mejoraron el éxito posterior (entrevistas y contrataciones) 13% vs. el matching tradicional. Los usuarios de Career Scout encuentran y aplican a empleos relevantes 7x más rápido y tienen 38% más probabilidad de ser contratados.

Oscar Health desarrolló chatbots que responden preguntas sobre beneficios, costos y salud general en tiempo real, integrados con registros médicos, reclamos e interacciones de servicio al cliente. Resuelven el 58% de preguntas sobre beneficios instantáneamente y manejan el 39% de mensajes sobre beneficios sin escalamiento humano.

Ninguno de estos casos es sobre tecnología imposible. Todos son sobre integración deliberada en procesos críticos de negocio.

Infraestructura v/s modelos: la ventaja competitiva real

Hay un dato del reporte que valida algo que he argumentado antes: el consumo promedio de tokens de razonamiento por organización vía API aumentó 320x en los últimos 12 meses. Esto indica que más empresas están integrando modelos directamente en productos y sistemas con alto grado de control y personalización.

Más de 9,000 organizaciones han procesado más de 10 mil millones de tokens. Casi 200 han superado el 1 billón de tokens. Codex, aunque todavía temprano en su ciclo empresarial, está ganando tracción rápida: 2x aumento en usuarios activos semanales y 50% más mensajes semanales en las últimas seis semanas.

Los modelos son temporales. La infraestructura es permanente.

Cuando construyes gobernanza clara, pipelines de datos limpios, procesos de evaluación continua y capacidad organizacional para adoptar nuevas herramientas rápidamente, no importa si OpenAI, Anthropic o Google lanza el próximo modelo milagroso. Puedes adoptarlo en semanas, no años.

Las empresas que están ganando no son necesariamente las que tienen acceso a los mejores modelos. Son las que construyeron los mejores sistemas alrededor de esos modelos.

La pregunta que deberías hacerte

El reporte de OpenAI no es solo un documento sobre adopción de IA. Es un espejo que muestra capacidad de ejecución organizacional.

Si tu empresa tiene acceso a ChatGPT Enterprise pero solo el 10% de empleados lo usa regularmente, no tienes un problema de tecnología. Tienes un problema de gestión de cambio.

Si lanzaron cinco pilotos de IA pero ninguno llegó a producción, no necesitas mejor IA. Necesitas mejor alineación entre equipos, mandatos ejecutivos más claros y procesos de evaluación más rigurosos.

Si tus empleados técnicos usan IA intensivamente pero el resto de la organización la ignora, tienes un problema de democratización de conocimiento, no de acceso a herramientas.

El MIT reportó que más del 95% de pilotos de IA generativa están fallando en empresas. BCG encontró que el 74% de empresas luchan por generar valor a escala. La OCDE documentó que más del 80% de proyectos de IA fallan, el doble de la tasa de proyectos no-IA.

El problema nunca fue la tecnología.

La ventana está abierta

Brasil, México, Colombia, Chile, Argentina: todos están invirtiendo en estrategias nacionales de IA, todos están viendo crecimiento de adopción, todos tienen talento técnico capaz. Pero pocos están desarrollando la capacidad organizacional sistemática que el reporte de OpenAI identifica como diferenciador crítico.

La ventana de oportunidad está abierta ahora. Las empresas que desarrollen esa capacidad en los próximos 12-24 meses capturarán el mercado. Las que sigan lanzando pilotos sin estrategia de escalamiento quedarán rezagadas de forma probablemente irreversible.

No se trata de adoptar IA. Se trata de transformar cómo tu organización aprende, ejecuta y se adapta.

Y eso, lamentablemente, no se compra. Se construye.

La ironía es evidente. Microsoft está invirtiendo cientos de miles de millones en acero, silicio y electricidad. Construyendo infraestructura industrial a una escala que rivaliza con plantas nucleares. Y sin embargo, Nadella insiste: esto sigue siendo una empresa de software.

¿Qué está pasando realmente? La respuesta revela una de las apuestas estratégicas más audaces de la era de la IA. Y para las empresas latinoamericanas navegando esta transformación, es la diferencia entre construir un castillo en la arena o cimentar ventajas duraderas.

La maldición del ganador

Durante esa conversación en Fairwater 2, Nadella articuló una de las tesis más contraintuitivas sobre el futuro de la IA:

“Puedo argumentar que si eres una compañía de modelos, puedes tener la maldición del ganador. Hiciste todo el trabajo duro, innovación increíble, excepto que está a una copia de distancia de ser comoditizado”.

Piensa en eso por un momento. Los modelos de IA —por más brillantes que sean— están fundamentalmente expuestos a la comoditización. Los modelos de AI se pueden copiar. Las técnicas se replican. Las capacidades convergen. Ya lo estamos viendo: múltiples modelos compiten en capacidades similares, y la ventaja competitiva de cualquier modelo individual se erosiona constantemente.

Pero la infraestructura que provisiona, asegura, gobierna y orquesta esos modelos... esa no se copia tan fácilmente.

Microsoft entendió esto. Por eso, mientras todos miran el brillo de ChatGPT, ellos están construyendo algo mucho menos sexy pero infinitamente más estratégico: la plomería del futuro de la IA.

Fairwater: La fábrica de IA que cambia las reglas

Fairwater 2 había comenzado operaciones recientemente cuando se realizó el tour en noviembre de 2025, mostrándose ya como una demostración de la nueva arquitectura de Microsoft. Pero los números que Nadella y su equipo revelaron son los que realmente importan:

• Cientos de miles de GPUs NVIDIA GB200 y GB300 desplegadas en una sola red plana

• Más de 2 gigawatts de capacidad agregada entre todas las instalaciones Fairwater

• 193.000 kilómetros de fibra óptica dedicada agregados en un solo año (un aumento del 25%)

• Diseño de dos pisos para maximizar densidad y minimizar latencia entre racks

• Sistema de enfriamiento líquido de circuito cerrado

• Una red de 1 petabit que conecta múltiples sitios dentro de Fairwater

Durante el tour, Scott Guthrie (EVP de Cloud y IA de Microsoft) explicó que el objetivo es “10x la capacidad de entrenamiento cada 18 a 24 meses”. Y que la óptica de red en un solo edificio equivale a todo Azure de hace dos años y medio.

Pero aquí está lo crítico que Nadella enfatizó repetidamente: “Quieres estar escalando en el tiempo, en lugar de escalar una vez y quedarte atascado con eso”.

¿Por qué esta obsesión con la fungibilidad? Porque Nadella vio venir algo que muchos aún no entienden: “Va a haber un nuevo chip. Tomemos Vera Rubin Ultra” —la próxima generación de GPUs de NVIDIA después de Blackwell— “Tendrá una densidad de potencia tan diferente, con requisitos de enfriamiento tan diferentes. Así que no quieres construir todo para una sola especificación”.

La era de la IA es brutal con la obsolescencia. Los chips de vanguardia de hoy, serán mediocres en 18 meses. Construir una instalación monolítica optimizada para una sola generación de hardware es como construir una fábrica que solo puede producir un modelo de auto. Cuando el modelo se vuelve obsoleto, toda la fábrica se vuelve obsoleta.

Microsoft está apostando a algo más inteligente: infraestructura modular que puede adaptarse a múltiples cargas de trabajo (pre-entrenamiento, ajuste fino, aprendizaje por refuerzo, generación de datos sintéticos, inferencia) y que puede actualizarse incrementalmente sin tener que reconstruir todo desde cero.

El negocio oculto: Scaffolding sobre modelos

Mientras las startups de IA pelean por tener el modelo más potente, Microsoft está construyendo silenciosamente algo más valioso: el scaffolding —los andamios— que sostienen todo el ecosistema.

Como escribe Saanya Ojha en su análisis de la estrategia de Microsoft: “Los modelos son temporales. El gobierno es para siempre”.

¿Qué es el scaffolding? Son las cosas aburridas que nadie ve pero que todos necesitan:

1. Identidad y credenciales de agentes
Como Nadella explicó en la entrevista: “Nuestro negocio, que hoy es un negocio de herramientas para usuarios finales, se convertirá esencialmente en un negocio de infraestructura para apoyar a los agentes haciendo el trabajo”.

Cada agente de IA necesitará su propia identidad credenciada. Piénsalo como darle a cada agente su propio usuario, contraseña y permisos de acceso. Microsoft está construyendo esa capa de identidad a escala.

2. Almacenamiento y memoria persistente
Los agentes necesitan recordar contexto de sesión en sesión. Esa memoria no flota en el éter —vive en infraestructura de almacenamiento, bases de datos, sistemas de archivos. Todo eso requiere provisión, seguridad, backups, y discovery legal.

3. Perímetros de seguridad y control de acceso
Un agente que maneja finanzas no debería tener acceso a emails personales. Uno que escribe código no debería poder modificar bases de datos de producción. Alguien tiene que establecer y hacer cumplir esos límites, con auditorías y logs completos.

4. Observabilidad y auditoría
Cuando un agente hace algo raro, necesitas saber qué pasó, por qué, y cómo evitar que vuelva a pasar. Necesitas métricas, trazabilidad, la capacidad de hacer rollback. Esa es infraestructura crítica de misión.

Todo esto es profundamente aburrido. No aparece en la portada de TechCrunch. No genera videos virales. Pero es donde está el verdadero poder duradero.

El modelo de negocio del futuro: Pricing por agente

Según el análisis de Saanya Ojha, Microsoft está evolucionando su modelo de negocio de manera fundamental. Las subscripciones tradicionales (pagar $X por mes por acceso a software) están transformándose. El futuro es “entitlements para consumir IA” —básicamente, pagas por cuánta capacidad de agente puedes usar.

Más específicamente, el pricing será “por agente”. Cada agente tendrá su propio costo basado en:

• Cuántos tokens consume

• Cuánta memoria y almacenamiento necesita

• Qué nivel de modelo usa

• Qué perímetro de seguridad requiere

• Qué nivel de observabilidad demanda

Como dice Saanya: “Microsoft 365 evoluciona de suite para usuarios finales a infraestructura para compañeros de trabajo autónomos”.

¿Y los márgenes? Son más bajos que software tradicional, porque la inferencia de IA es cara. Pero el mercado se expande tan masivamente que compensa con creces. GitHub Copilot, según Saanya, pasó de cero a una escala de varios miles de millones dólares en aproximadamente un año, a pesar de los costos de cómputo.

GitHub: El cable bundle de agentes

Durante la entrevista, Dylan Patel mostró un gráfico revelador: la categoría de agentes de código ha crecido de aproximadamente 500 millones de dólares de run rate a finales de 2024 (solo GitHub Copilot) a 5-6 mil millones de dólares de run rate en Q4 de 2025. Ahora compiten GitHub Copilot, Cursor, Claude Code, Windsurf, Replit, Cognition y OpenAI Codex.

La reacción de Nadella fue fascinante: “Me encanta este gráfico. Por tantas razones. La primera es que todavía estamos liderando el mercado. La segunda es que todas estas compañías listadas aquí son compañías que nacieron en los últimos cuatro o cinco años”.

Pero aquí está la jugada maestra que pocos están viendo. Nadella no necesita que Copilot “gane” la carrera de agentes de programación. Porque todos esos competidores usan GitHub como backend.

Como explicó Nadella: “Lo más interesante que ha pasado es que todos los repos de todos estos otros tipos que están generando muchísimo código van a GitHub. GitHub está en máximos históricos en términos de creación de repos, PRs, todo”.

La estrategia es construir “Agent HQ” —el cuartel general de agentes. Una consola donde las empresas pueden lanzar múltiples agentes, orquestar tareas, monitorear ejecuciones. Como lo describe Nadella: “El cable TV de todos estos agentes de IA”.

No importa cuál agente específico uses para programar —todos necesitan un repositorio, todos generan pull requests, todos requieren control de versiones. Mientras uses GitHub, Microsoft gana. Y el efecto de red se refuerza: más actividad = más valor para desarrolladores = más difícil migrar a otra plataforma.

La lección para empresas latinoamericanas

Casi nadie puede construir datacenters de 2 gigawatts. Pero la lección estratégica de Microsoft es universalmente aplicable:

Construye sobre tus ventajas estructurales, no sobre las de otros.

Las empresas incumbentes en América Latina tienen algo que ninguna startup de IA puede replicar fácilmente: clientes reales y datos reales. Tienen relaciones de décadas con retailers, distribuidores, vendedores. Tienen información de patrones de compra, comportamientos de pago, preferencias regionales, dinámicas de canal.

Eso es infraestructura. No del tipo de hardware y GPUs, sino del tipo de relaciones y datos. Y es mucho más difícil de commoditizar que cualquier modelo.

En Yom, estamos aplicando exactamente esta filosofía. No estamos apostando a tener el mejor modelo de IA del mundo —eso sería como competir con OpenAI, Anthropic, o Google en su propio terreno. Estamos apostando a tener el mejor scaffolding de agentes para el canal tradicional en Latinoamérica.

Nuestro sistema de tres agentes (B2B, Call Center, WhatsApp) no reemplaza a los equipos de ventas humanos sino que los complementa, les da más control, más visibilidad, y más capacidad. Y todo está orquestado sobre la infraestructura de relaciones y datos que las empresas ya tienen.

Es la misma lógica de Microsoft: no necesitamos ser OpenAI. Necesitamos ser la plataforma que hace que OpenAI (y Claude, y Gemini, y lo que venga después) sea útil para resolver problemas reales en mercados fragmentados.

La apuesta de confianza sobre capacidad

Al final de la entrevista con Dwarkesh y Dylan, después de discutir la competencia china, soberanía digital, y el futuro multipolar de la IA, Nadella ofreció quizás la insight más profunda de toda la conversación:

“Puede que la característica más importante no sea ni siquiera la capacidad del modelo. Es: ‘¿Puedo confiar en ti, tu país, y sus instituciones para ser un proveedor de largo plazo?’”

Esto explica por qué Microsoft invierte tanto en cosas como:

• EU Data Boundary (límites de datos europeos)

• Clouds soberanos en Francia y Alemania

• Confidential computing (computación confidencial)

• Garantías de zero-standing-access (cero acceso permanente)

No es solo compliance. Es construir confianza como una capa de infraestructura.

Para empresas latinoamericanas, la lección es clara: tu ventaja no es solo lo que puedes hacer, sino en quién pueden confiar tus clientes para hacerlo de manera sostenida.

¿Tienes 30 años de historial operando en mercados complejos? Eso es infraestructura de confianza. ¿Entiendes las regulaciones locales de 5 países diferentes? Eso es infraestructura de confianza. ¿Tienes relaciones personales con los dueños de 10.000 tiendas? Eso es infraestructura de confianza.

Todo eso es más difícil de replicar que cualquier modelo de IA.

El verdadero significado de “La Última Interfaz”

He sostenido que la IA representa “la última interfaz”: La capacidad de hablar directamente con las computadoras en lenguaje humano como la evolución final de la interacción humano-máquina.

Pero aquí está el matiz que la estrategia de Microsoft ilumina: la última interfaz requiere la primera infraestructura.

La magia de hablar con un agente y que “simplemente funcione” no es magia. Es el resultado de cientos de sistemas invisibles trabajando en armonía: identidad, autenticación, almacenamiento, memoria persistente, observabilidad, seguridad, auditoría, orquestación.

Cuando le pides a un agente que “prepare un análisis de mis clientes top en Colombia del último trimestre y compáralo con Brasil”, lo que parece una simple conversación en realidad dispara:

• Autenticación: ¿Tienes permiso para ver esos datos?

• Recuperación: ¿Dónde están esos datos y en qué formato?

• Orquestación: ¿Qué modelos necesitamos llamar y en qué orden?

• Ejecución: ¿Cómo procesamos millones de registros eficientemente?

• Almacenamiento: ¿Dónde guardamos los resultados para futuras consultas?

• Observabilidad: Si algo falla, ¿cómo lo detectamos y corregimos?

Todo eso es infraestructura. Aburrida, invisible, pero absolutamente esencial.

La apuesta a largo plazo

Microsoft está haciendo una apuesta multibillonaria: que en la era de los agentes de IA, quien controle la infraestructura controlará el valor. Que los modelos se volverán intercambiables (OpenAI hoy, Claude mañana, algo nuevo pasado mañana), pero la plataforma que los hace útiles, seguros y gobernables será donde se captura el valor durable.

¿Es una apuesta segura? El tiempo lo dirá. Los márgenes se están comprimiendo. Los CAPEX son astronómicos. La tasa de obsolescencia de hardware es brutal.

Pero si Microsoft tiene razón —si efectivamente el futuro es agentes proliferando exponencialmente, cada uno necesitando identidad, memoria, seguridad, observabilidad— entonces construir la plataforma que provee todo eso no es un gasto, es la inversión más inteligente posible.

Como señaló Nadella durante el tour mientras observaban las celdas vacías esperando racks de GPUs: “Dirijo una compañía de software. Bienvenidos a la compañía de software”.

La ironía no podía ser más evidente. Pero también la estrategia.

Tu movimiento

Para ti, líder de una empresa en América Latina, la pregunta es: ¿Cuál es tu equivalente de scaffolding?

¿Qué infraestructura invisible tienes o puedes construir que haga que la IA sea útil para tus clientes específicos? ¿Qué relaciones, datos, conocimientos, procesos tienes que son difíciles de replicar?

Porque aquí está la verdad incómoda: si tu única estrategia de IA es “usar ChatGPT” o “implementar un chatbot”, estás construyendo sobre la infraestructura de otros. Y cuando todos construyen sobre la misma infraestructura genérica, el único diferenciador que queda es el precio. Es una carrera hacia el fondo.

Pero si construyes tu propio scaffolding -sistemas de identidad de agentes específicos para tu industria, memoria persistente de interacciones con clientes en tu mercado, orquestación de procesos únicos de tu canal- entonces estás creando ventajas defensibles.

No se trata de tener el mejor modelo. Se trata de tener la mejor infraestructura para que cualquier modelo sirva a tus problemas específicos.

Lo mundano siempre vence a lo brillante. Solo que lo mundano toma más tiempo en mostrar su poder.

“Por favor, dígame la verdad.
¿Llegué tarde?
Cuando termine mi carrera, la IA ya hará todo.
¿Qué me queda a mí?
¿Voy a vivir del ingreso básico universal?”

El mensaje venía de un joven de 18 años, a punto de entrar a la universidad.

Andrew compartió esta historia en The Batch y le respondió para tranquilizarlo. Esta carta es mi respuesta para ti.

Si tienes 18, 20, 25 años y sientes que el mundo tecnológico ya decidió tu futuro sin consultarte, esto es para ti. Si tus padres están leyendo esto primero porque comparten tu preocupación, perfecto. Ojalá te lo compartan.

Porque la narrativa que te hicieron creer es falsa.

El apocalipsis que no viene (pero te venden todos los días)

Vivimos en una época donde la conversación pública sobre IA está intoxicada por dos extremos igualmente paralizantes:

El triunfalismo exagerado: “AGI está a la vuelta de la esquina, nada de lo que estudies servirá.”

El fatalismo paralizante: “Todo lo que aprendas será automatizado antes de que termines la carrera.”

Ambas narrativas tienen un elemento de verdad... pero son profundamente engañosas.

Andrew Ng lo explica con claridad: la IA actual es simultáneamente impresionante y extremadamente limitada. Puedes usar ChatGPT para escribir código, analizar documentos, resumir textos complejos. Eso es real. Pero también falla en tareas básicas de juicio humano: priorizar tu agenda, evaluar un CV con criterio real, decidir qué producto comprar, razonar paso a paso cuando hay ambigüedad.

Los modelos avanzan rápido, sí. Pero no tan rápido como algunos te quieren hacer creer.

Cuando investigadores de AI Impacts encuestaron a 2,778 expertos en machine learning en 2023 para preguntar en qué año esperan alcanzar “inteligencia de nivel humano” (HLMI), la mediana de las respuestas fue 2047. Un rango enorme, lleno de incertidumbre. Nada de “cinco años y se acabó todo”.

Demis Hassabis, CEO de Google DeepMind, ha sido claro en múltiples entrevistas: los modelos actuales no tienen memoria estable, no aprenden de forma continua del entorno, no tienen razonamiento robusto y son incapaces de operar con sentido común en contextos no textuales. “Hay algunas capacidades que faltan: cosas como razonamiento, planificación jerárquica, memoria de largo plazo”, explicó en enero de 2025. No tienen las bases cognitivas de una mente humana.

McKinsey estima que la adopción laboral de sistemas de IA a nivel masivo tomará décadas, como ha ocurrido con todas las grandes oleadas tecnológicas del pasado. La historia no cambia solo porque las demos nos impresionen.

Todo esto apunta a una verdad simple que rara vez se dice en voz alta: No llegaste tarde a nada. Estás entrando justo en el momento en que quienes aprendan primero, liderarán después.

El peligro real no es la IA

El verdadero riesgo para tu generación no es que los modelos se vuelvan demasiado inteligentes demasiado rápido. Es que te convenzas de que ya no vales, de que “no tiene sentido intentarlo”, de que “la IA hará todo mejor”.

Ese pensamiento es profundamente equivocado.

La IA aún depende críticamente de humanos para funcionar

Puede sonar contraintuitivo, pero es verdad: la IA no funciona en un vacío.

Para que un sistema funcione hay que integrarlo, contextualizarlo, alimentarlo con datos, darle las herramientas adecuadas, medir su rendimiento, corregirlo, versionarlo, auditarlo, y adaptarlo al flujo de trabajo real.

Eso requiere inteligencia humana. Mucha.

Cuando Andrew Ng contó que habían logrado construir un software de evaluación automatizado de CVs con IA, comentó algo central: sí, funciona... pero lo que nadie ve es la enorme cantidad de trabajo humano que tomó que funcionara.

Los modelos son capaces de hacer mucho, pero no saben cómo encajar en un sistema complejo sin ti.

La IA es general... pero no tan general

Los modelos actuales son “generalistas” en términos de texto, pero no en términos de tareas. Sí, responden a cualquier pregunta. Pero eso no significa que puedan hacer bien cualquier trabajo.

De hecho: son frágiles ante variaciones sutiles, necesitan instrucciones explícitas, no poseen memoria estable a largo plazo, no tienen motivación, intuición ni criterio moral, y no comprenden consecuencias reales.

La apariencia de inteligencia no es inteligencia general. Confundirlas solo genera ansiedad innecesaria.

No compites contra la IA. Compites contra otros humanos que saben usarla

Éste es el punto más importante de toda esta carta.

No necesitas ser mejor que un modelo. Necesitas ser mejor que una persona que todavía no sabe usarlo.

Si tú aprendes a construir con IA, estarás en una posición inmejorable para liderar productos, crear empresas, automatizar tareas, mejorar procesos, convertirte en un profesional 10x.

La verdadera pregunta no es “¿La IA me reemplazará?” sino “¿Aprenderé a amplificar mi talento con IA?”

Qué está cambiando realmente (y por qué te conviene)

Perdamos el miedo y vayamos a los hechos.

Según el World Economic Forum, las habilidades relacionadas con IA y análisis de datos estarán entre las tres más demandadas del mundo al 2028. El crecimiento esperado de puestos ligados a IA supera el 30% anual. En LinkedIn, los trabajos que requieren IA han crecido 21 veces en menos de una década.

Jamás ha habido un mejor momento para entrar.

Sin IA: prototipar era lento, programar era difícil, analizar datos era para especialistas, diseñar soluciones requería equipos completos.

Con IA: puedes crear una app simple en un fin de semana, prototipar ideas que antes eran imposibles, construir herramientas completas siendo estudiante, aprender más rápido que cualquier generación previa.

No compites contra expertos: te conviertes en uno más rápido.

Las profesiones más beneficiadas con IA hoy son ingeniería, derecho, marketing, salud, diseño, educación, ciencia de datos, finanzas. En cada una, la IA funciona como una “exoestructura” intelectual: te permite producir más, mejor y más rápido.

La IA no elimina la necesidad de pensamiento; elimina la necesidad de trabajo repetitivo. Eso te deja espacio para lo humano: criterio, juicio, creatividad, diseño, contexto, intuición.

Entonces, ¿qué deberías hacer?

Si tienes 18 años, esto es lo que te recomiendo hacer desde hoy.

Aprende a construir con IA (aunque no sepas programar aún)

Para empezar no necesitas saber teoría profunda. Necesitas curiosidad y práctica. Puedes comenzar con un curso introductorio en Coursera, los recursos gratuitos de HuggingFace, tutoriales de GitHub Copilot o ChatGPT.

Si empiezas hoy, te adelantas a millones de personas que todavía no entienden esta tecnología.

Aprende fundamentos que nunca cambian

Las herramientas cambian. Los fundamentos no. Aprende pensamiento computacional, lógica, matemáticas básicas, estadística, cómo funcionan los datos, cómo se diseña un sistema. Esto te convertirá en alguien capaz de aprender cualquier cosa nueva que llegue.

Construye proyectos reales (aunque sean pequeños)

Haz cosas concretas: un bot que resuelva un problema de tu familia, una miniapp que automatice una tarea, un asistente para estudiar, un buscador para documentos, una herramienta de productividad.

No importa si es pequeño. Lo importante es que lo hiciste tú. Los proyectos son tu verdadero currículum en esta nueva era.

Aprende a evaluar y corregir a la IA

Las personas con criterio para evaluar resultados y mejorar el desempeño de un sistema serán indispensables. No basta con generar contenido. Tienes que probar, validar, corregir, ajustar prompts, diseñar flujos, medir.

Esto es lo que hace a un profesional de IA valioso.

No te esperes a “la carrera perfecta”

No existe la carrera que te blindará contra la tecnología. Existe la persona que aprende a construir con ella.

Puedes estudiar ingeniería, derecho, diseño, medicina, economía, artes, psicología. Lo esencial es que aprendas a usar IA como herramienta transversal.

Una nota para tus padres

Tus padres crecieron en otro mundo: uno donde estudiar una carrera significaba tener certezas. Hoy, ellos mismos están expuestos a la narrativa alarmista: “la IA reemplazará todo”, “no habrá trabajos”, “el mundo cambió demasiado”.

Pero lo que la evidencia muestra es lo contrario: nunca ha sido más valioso tener capacidad de aprender, de adaptarse, de construir y de pensar. Esa capacidad no la tiene ningún modelo de IA. La tienes tú.

Muchos padres comparten una preocupación silenciosa: que no saben cómo aconsejarte sobre tu carrera en un mundo que ellos mismos están tratando de entender. Esta carta existe para ayudarlos a ayudarte.

Lo que quiero que recuerdes

Tres ideas, solo tres:

1. No llegaste tarde

Las proyecciones serias coinciden: estamos a décadas de distancia de algo remotamente cercano a AGI. Tienes tiempo. Pero no lo desperdicies.

2. La IA no hará tu trabajo. Hará tu trabajo más grande

Las personas que combinan su talento humano con IA son las que liderarán esta nueva era.

3. El mundo necesita de tu curiosidad, tu criterio, tu energía y tus ganas de construir

La IA puede escribir código; pero no puede decidir qué vale la pena construir.
La IA puede resumir textos; pero no puede imaginar futuros.
La IA puede ayudarte a aprender; pero no puede aprender en tu lugar.
La IA puede automatizar tareas; pero no puede reemplazar propósito.

Ese eres tú.

Tu futuro no está escrito por la IA. Lo escribes tú

Si tienes 18 años, quiero que escuches esto con claridad: la inteligencia artificial no te roba el futuro. Te entrega una ventaja histórica para construirlo.

Tus padres no tuvieron herramientas así. Tus profesores tampoco. Ninguna generación las tuvo.

Puedes crear, construir, experimentar, aprender, equivocarte, probar de nuevo y volver a intentarlo sin pedir permiso.

La IA no es el fin de las oportunidades; es el comienzo de un nuevo tipo de oportunidad, una donde tu capacidad de aprender vale más que tu capacidad de memorizar y donde tu curiosidad vale más que tu certeza.

Así que no te dejes engañar por la narrativa fatalista.

No tengas miedo de la IA.

Ten miedo de no aprender a usarla.

Y empieza hoy.

La historia parecía escribirse sola: El incumbente, lento y burocrático, siendo devorado por la startup ágil y disruptiva. Era el guión que Silicon Valley adora contar.

Pero resulta que mientras OpenAI ejecutaba una estrategia de relaciones públicas impecable, Google estaba construyendo algo que ninguna startup puede replicar fácilmente: integración vertical completa desde el chip hasta el usuario final. No hicieron ruido. Simplemente construyeron.

Y ahora, los números empiezan a contar una historia muy diferente.

En octubre de 2025, Google reportó que procesa más de 1,3 cuatrillones de tokens al mes —un crecimiento de 20 veces en un año. Anthropic, la empresa detrás de Claude, acaba de firmar un acuerdo para usar hasta un millón de los chips TPU de Google, en un acuerdo valuado en decenas de miles de millones de dólares. Apple está negociando pagar aproximadamente mil millones de dólares anuales por una versión personalizada de Gemini para impulsar la nueva Siri. Y 2.000 millones de personas ya usan AI Overviews en Google Search mensualmente.

Esto no es la historia de un regreso triunfal. Google nunca se cayó. Nosotros simplemente confundimos silencio con inacción, y paciencia con debilidad.

La pregunta real no es cómo Google “despertó”. La pregunta es: ¿qué construyeron en silencio que ahora les da una ventaja estructural que pocos pueden replicar? Y más importante aún para los líderes empresariales en América Latina: ¿qué lección estratégica hay aquí sobre los activos que ya tienes y estás subestimando?

Parte 1: El stack que nadie vio construir

Para entender la posición de Google hoy, hay que mirar el stack completo que construyeron mientras todos estábamos distraídos. En AI, el ganador no es quien hace el mejor demo. Es quien controla la infraestructura completa por la que esa tecnología llega al mundo.

La base: hardware propio

En noviembre de 2025, Google lanzó Ironwood, su séptima generación de TPU. Los números: 4 veces más rápido que su predecesor, conectando hasta 9.216 chips en un solo pod. Pero lo significativo no es solo la velocidad. Es que por primera vez, Google está vendiendo sus TPUs externamente, compitiendo directamente con Nvidia.

La validación llegó inmediata. Anthropic, empresa de la que Alphabet —matriz de Google— posee el 14%, firmó un acuerdo para acceder hasta un millón de chips TPU Ironwood —un contrato multianual valuado en decenas de miles de millones de dólares. ¿Por qué Anthropic, que también usa chips de Amazon y Nvidia, apuesta tan fuerte por Google? Según Krishna Rao, CFO de Anthropic: “La elección refleja el fuerte desempeño de precio-rendimiento y eficiencia que nuestros equipos han visto con TPUs durante varios años.”

Traducción: Google tiene ventaja en costo por inferencia. En un negocio donde los márgenes son brutalmente delgados, eso importa más que cualquier prueba de rendimiento puro.

La capa intermedia: modelos en toda la superficie

Con la infraestructura asegurada, Google desplegó un portafolio completo: texto, imagen, video, razonamiento. La aplicación Gemini alcanzó 450 millones de usuarios activos mensuales en julio de 2025. Sus modelos de video generan contenido que rutinariamente se vuelve viral y establece nuevos estándares.

La validación externa más significativa vino de Apple. Según Bloomberg, Apple está finalizando un acuerdo para pagar aproximadamente mil millones de dólares anuales por un modelo personalizado de Gemini con 1,2 trillones de parámetros para la nueva Siri. Apple evaluó OpenAI y Anthropic, pero eligió Google —por rendimiento y precio.

Que Apple pague mil millones al año por tecnología central de un competidor dice todo sobre dónde está Google en capacidad de modelos.

La superficie: productos con distribución masiva

Los buenos chips y modelos no sirven sin usuarios. Y aquí Google tiene una ventaja casi imposible de replicar.

AI Overviews alcanzó 2.000 millones de usuarios mensuales. AI Mode llegó a 75 millones de usuarios diarios activos. No son usuarios que Google tuvo que “educar”. Ya usaban Google Search, ahora simplemente obtienen respuestas mejoradas con AI. La distribución no costó nada adicional.

En Google Cloud, el 70% de los clientes ya usan productos de AI. Deep Research se integra con Gmail, Drive y Chat. Chrome se convirtió en navegador nativo de AI.

Todo esto genera un volumen difícil de conceptualizar: más de 1,3 cuatrillones de tokens procesados al mes —crecimiento de 20 veces año contra año.

El punto que pocos entienden

Esta integración vertical crea un ciclo virtuoso: usuarios generan datos → datos mejoran modelos → modelos atraen clientes en la nube → clientes justifican inversión en chips → chips reducen costos → márgenes permiten experimentación → experimentos mejoran productos → productos atraen usuarios.

OpenAI está tratando de construir este ciclo ahora. Pero están años atrás. Google no solo empezó primero. Empezó con activos —Search, YouTube, Android, Gmail, Cloud— que OpenAI tendrá que construir desde cero.

Esta no es una carrera de velocidad. Es de resistencia y con barrera de entrada cada vez más alta.

Parte 2: Las tres ventajas que pocos vieron venir

El stack integrado es impresionante en papel, pero ¿qué ventajas concretas genera que los competidores no pueden replicar fácilmente? Tres destacan por encima del resto.

Ventaja 1: Control total del costo de inferencia

Una década de inversión en TPUs le dio a Google algo que OpenAI, Anthropic y otros no tienen: independencia de Nvidia y control completo sobre su economía de cómputo.

Cuando Anthropic dice que los TPUs ofrecen “fuerte desempeño de precio-rendimiento”, no están siendo diplomáticos. Están reconociendo que en un negocio donde cada token procesado tiene un costo, y donde los márgenes son brutalmente delgados, Google puede operar más barato que competidores dependientes de GPUs de terceros.

Esto no es solo una ventaja de costo. Es flexibilidad estratégica. Google puede experimentar, ofrecer precios agresivos, subsidiar adopción temprana, y absorber periodos de baja rentabilidad mientras construye posición de mercado. OpenAI, quemando miles de millones anuales y dependiendo de chips externos, no tiene ese lujo.

La integración vertical convierte el costo de cómputo de amenaza existencial en ventaja competitiva.

Ventaja 2: Distribución que no se puede comprar

OpenAI tiene que convencer a cada usuario de crear una cuenta, aprender una nueva interfaz, y cambiar sus hábitos —y lo ha hecho muy bien hasta ahora. Google simplemente mejoró productos que 2.000 millones de personas ya usaban diariamente.

No es solo Search. Es Gmail, Drive, Docs, Meet, Maps, Chrome, YouTube, Android. Cada uno es un canal de distribución masivo donde Google puede integrar AI sin fricciones. Los usuarios no están “adoptando AI”. Están usando Google como siempre, pero ahora sus herramientas son más inteligentes.

En el lado empresarial, Google Cloud tiene relaciones directas con miles de organizaciones grandes. El 70% ya usa productos de AI de Google. No porque hicieron una “transformación digital”. Porque Google los integró naturalmente en servicios que ya compraban.

Esta distribución no se puede replicar con capital o marketing. Se construye con décadas de producto y confianza. OpenAI puede tener el mejor modelo del mundo, pero aún tiene que resolver: ¿cómo llego a mil millones de usuarios sin depender de distribuidores que también son mis competidores?

Ventaja 3: Un modelo de negocio que ya funciona

Aquí está la diferencia fundamental que pocos analistas enfatizan: Google no necesita que la AI sea rentable mañana. Ya tiene un negocio de 300.000 millones de dólares generando efectivo.

Puede subsidiar la adopción de la AI, experimentar con modelos de precio, regalar capacidad para ganar participación de mercado, y absorber años de inversión sin rentabilidad inmediata. ¿Por qué? Porque cada interacción de AI refuerza su negocio central: entender intención y vender publicidad ultra-segmentada.

OpenAI está apostando todo a que podrá monetizar suficientes suscripciones y llamadas de API para justificar una valuación de 150.000 millones y costos operativos anuales de varios miles de millones. Google está usando AI para hacer su motor de búsqueda —y por ende, su motor de ingresos publicitarios— aún más poderoso.

No son el mismo juego. Uno es una startup quemando capital para encontrar el ajuste producto-mercado a escala. El otro es una empresa establecida integrando nueva tecnología en una máquina de generar efectivo ya probada.

Las tres ventajas se refuerzan mutuamente: costos bajos permiten experimentación agresiva, distribución masiva genera datos para mejorar modelos, y el modelo de negocio probado da tiempo ilimitado para iterar hasta encontrar la fórmula perfecta.

Esta es la ventaja de la empresa establecida bien ejecutada. No velocidad. Resistencia.

Parte 3: La lección para las grandes empresas latinoamericanas

Ahora viene la pregunta que realmente importa para CEOs, CTOs e inversionistas en América Latina: ¿qué tiene que ver todo esto con tu negocio?

Todo.

Porque la historia de Google no es solo sobre tecnología. Es sobre cómo un gran incumbente con activos existentes puede convertir esos activos en ventajas competitivas imposibles de replicar en la era de la AI. Y esa lección aplica directamente a las grandes empresas latinoamericanas que hoy creen estar en desventaja frente a startups “nativas digitales” o “AI-first”.

El paralelismo que pocos ven

Imagina este escenario: eres CEO de una empresa de consumo masivo con presencia en cinco países de latinoamérica. En cada país, tu operación atiende a 50.000 puntos de venta con un equipo de 150 vendedores en la calle. Llegas a una reunión de directorio y un consultor te presenta un análisis sobre cómo las startups tecnológicas van a “disrumpir” la distribución. Te muestran gráficas de venta directa al consumidor con AI, plataformas que “eliminan intermediarios”, y sistemas predictivos que “optimizan la cadena completa”.

Sales de esa reunión pensando: “Estamos en desventaja. Ellos nacieron digitales, nosotros tenemos vendedores físicos. Ellos tienen tableros de control en tiempo real, nosotros tenemos planillas Excel. Vamos a perder.”

Google acaba de demostrar que estás pensando al revés.

Porque mientras te preocupas por lo que NO tienes (agilidad de startup, cultura tecnológica, equipos de ingenieros jóvenes), estás ignorando completamente lo que SÍ tienes y las startups NO: 150 vendedores con relaciones diarias reales en 50.000 puntos de venta por país, décadas de datos sobre comportamiento de compra por canal y geografía, conocimiento profundo de qué funciona en cada tipo de local, y —más importante— flujo de caja para experimentar sin apostar la empresa en cada iteración.

Esos activos que considerabas heredados —tu fuerza de ventas, tus relaciones con minoristas, tu conocimiento del territorio— son exactamente el tipo de ventaja estructural que Google tiene y OpenAI está tratando desesperadamente de construir.

Los activos que realmente importan en la era de la AI

Déjame ser específico sobre cuáles son estos activos:

1. Clientes reales con comportamiento documentado

Google no necesita “conseguir usuarios” para sus productos de AI. Ya tiene 2.000 millones usando Search. Tú no necesitas “conseguir puntos de venta” para tu sistema de recomendación con AI. Ya tienes 50.000 por país comprándote cada semana.

Las startups gastan millones en adquisición tratando de construir lo que tú ya tienes: comercios reales comprando productos reales con órdenes reales.

2. Datos operacionales (no genéricos)

Google tiene una década de datos de cómo la gente usa sus productos. Tú tienes años de datos sobre qué compran tus puntos de venta, cuándo, en qué combinaciones, en qué zonas, a qué precios responden, qué promociones funcionan por tipo de canal.

Esos datos operacionales —específicos a tu negocio, tu mercado, tus canales— son infinitamente más valiosos para entrenar modelos de AI relevantes que cualquier conjunto de datos genérico que una startup pueda conseguir.

3. Infraestructura de distribución

Google integró AI en Chrome, Gmail, Drive, Search —productos que la gente ya usaba. No tuvieron que “educar al mercado” sobre AI. Simplemente mejoraron herramientas existentes.

Tú puedes integrar AI en las rutas de tus vendedores, en la aplicación que usan para tomar órdenes, en la planificación de visitas, en la predicción de demanda por punto de venta. No necesitas construir nuevos canales. Los canales ya existen y ya generan órdenes.

4. Capacidad de subsidiar mientras aprendes

Google puede experimentar con AI durante años sin que sea rentable inmediatamente, porque tiene un negocio de 300.000 millones generando efectivo. Tú puedes experimentar con AI en ruteo, proyección de demanda, o personalización de ofertas por punto de venta sin apostar la empresa, porque tienes ingresos estables de tu operación central.

Las startups tienen 18-24 meses de pista de aterrizaje. Si no encuentran ajuste producto-mercado rápido, mueren. Tú tienes tiempo para iterar hasta que funcione.

El error común que cometen las grandes empresas

El error no es ignorar la AI. El error es pensar que tienes que “transformarte en una startup” para competir.

Ves lo que hacen las startups —equipos pequeños, cultura de Silicon Valley, todo en la nube, metodologías ágiles— y asumes que necesitas replicar eso. Contratas consultoras que te venden “transformación digital”. Creas “laboratorios de innovación” separados del negocio central. Traes directores de tecnología que hablan de “disrumpir desde adentro”.

Y mientras tanto, ignoras completamente que tu ventaja real está en ser exactamente lo que eres: una empresa establecida con activos, clientes, datos y distribución que ninguna startup puede replicar en menos de una década.

Google no trató de convertirse en OpenAI. Usó sus activos de empresa establecida (infraestructura, distribución, modelo de negocio) para construir ventajas que OpenAI ahora tiene que perseguir.

La estrategia correcta: construir sobre lo que tienes

Entonces, ¿cuál es el libro de jugadas?

Primero: Maestría personal antes que transformación organizacional

Como escribí anteriormente, los líderes que no usan AI personalmente no pueden implementarla organizacionalmente. Antes de contratar una consultora o armar un “comité de AI”, gasta 90 días usando AI diariamente en tu trabajo. Escribe correos con AI. Analiza reportes con AI. Prepara presentaciones con AI.

Solo cuando entiendas visceralmente qué funciona y qué no, estarás listo para tomar decisiones sobre dónde implementar en la organización.

Segundo: Identifica dónde tu infraestructura existente es ventaja, no lastre

Pregúntate: ¿Dónde tengo datos, clientes o distribución que una startup tardaría años en construir? Ahí es donde la AI tiene un retorno sobre inversión más alto para ti.

Si tienes 150 vendedores visitando 50.000 puntos de venta por país, tu ventaja no es competir con plataformas de venta directa puras. Tu ventaja es usar la AI para que cada vendedor llegue al punto de venta correcto, en el momento correcto, con la oferta correcta basada en el histórico específico de ese local. Ninguna plataforma genérica puede hacer eso.

Tercero: Integración vertical sobre soluciones puntuales desconectadas

Google no compró 47 herramientas de AI diferentes. Construyó un stack integrado donde cada capa refuerza la otra. Tú no necesitas 15 proveedores de AI. Necesitas identificar 2-3 puntos de apalancamiento donde AI integrada con tus sistemas existentes crea un ciclo virtuoso.

Si implementas AI en ruteo de vendedores, asegúrate que esos datos mejoren tu proyección de demanda. Si usas AI para recomendar productos por punto de venta, conecta esos conocimientos con tu planificación de producción. La magia no está en herramientas aisladas. Está en la integración.

Cuarto: Piensa en décadas, no en trimestres

Google invirtió 10 años en TPUs antes de que pagaran dividendos. Tú no necesitas ver el retorno sobre la inversión en 90 días. Necesitas identificar qué capacidades de AI, construidas consistentemente durante 3-5 años, te dan una posición imposible de replicar en tu mercado.

Esa mentalidad —inversión paciente en capacidades distintivas— es exactamente lo que las startups con 24 meses de pista de aterrizaje NO pueden hacer.

Cierre

Mientras todos miraban a OpenAI hacer ruido, Google demostró algo fundamental sobre cómo se gana en la era de la AI: no se trata de ser el primero en el espectáculo mediático. Se trata de tener el stack completo cuando el mercado está listo.

La integración vertical que Google construyó —desde chips hasta usuarios— no se puede replicar con capital de riesgo o campañas de marketing. Se construye con décadas de inversión paciente, activos acumulados, y la disciplina de no perseguir cada tendencia que Silicon Valley declara como “el futuro”.

OpenAI ejecutó brillantemente en producto y narrativa. Pero Google estaba jugando un juego diferente: construir infraestructura que se vuelve más valiosa con el tiempo, no demostraciones que impresionan hoy y quedan obsoletas mañana.

Para las grandes empresas latinoamericanas, la lección es clara: deja de perseguir startups y empieza a revisar tus activos con nuevos ojos.

Pregúntate:

• ¿Dónde tengo distribución que otros no tienen y tardarían años en construir?

• ¿Qué datos operacionales tengo que las startups tendrían que generar desde cero?

• ¿Cómo mi infraestructura actual se convierte en ventaja competitiva con AI integrada?

Las respuestas a esas preguntas son tu foso defensivo. No lo que Silicon Valley dice que deberías ser. Lo que ya eres, potenciado con la tecnología correcta.

Google no ganó tratando de ser OpenAI. Ganó siendo Google con AI.

Tú no vas a ganar tratando de ser una startup. Vas a ganar siendo tú, con AI construida sobre los activos que ya tienes.

La pregunta no es si tienes AI. La pregunta es si estás construyendo sobre tus ventajas reales o persiguiendo las ventajas de otros.

Esa diferencia define quién lidera y quién sigue en los próximos 10 años.

Hoy, en 2025, ese capítulo terminó.

Según el más reciente estudio de Wharton Human-AI Research y GBK Collective—que encuestó a 801 tomadores de decisiones en empresas grandes de EEUU— la IA Generativa ya no es un experimento. Está en el camino de convertirse en infraestructura crítica: 46% la usa diariamente (+17pp vs 2024), 72% mide ROI formalmente, y 60% tiene un Chief AI Officer.

Los datos revelaron algo que alguna vez comenté en este blog: el activo más escaso ya no es la tecnología. Es el talento.

Con ese entendimiento me animé a procesar el documento con todos los modelos que tenía a mi disposición :-D—para buscar qué otros insights interesantes habían—Esto es lo que encontré:

I. Del FOMO al ROI: Cuando el juguete se convierte en motor

Durante 2023, el impulso de adopción estuvo gobernado por curiosidad genuina y pánico controlado. El miedo a quedarse atrás disparó una carrera frenética. La IA era un experimento de marketing, un hackathon en la internet, un tablero de ideas con potencial indefinido.

Todos querían un piloto. Nadie sabía qué hacer con él.

Hoy el panorama es radicalmente distinto.

Tres de cada cuatro compañías (74%) miden formalmente el ROI de sus proyectos de IA generativa. Y el 74% afirma obtener retornos positivos—no proyectados, no esperados: reales.

El cambio más profundo no está en el monto invertido—aunque el 88% planea aumentos presupuestarios para 2026—sino en la mentalidad subyacente. Pasamos de la adopción impulsiva a lo que Wharton llama “rendición de cuentas algorítmica”: cada dólar debe justificarse, cada implementación debe medirse, cada promesa debe cumplirse.

Y aquí aparece un dato que lo cambia todo: 30% del presupuesto de Gen AI ya se destina a I+D interno.

No a comprar licencias de ChatGPT Enterprise. No a contratar consultoras carísimas. A construir capacidades propietarias. Las empresas líderes dejaron de comprar herramientas para comenzar a construir sus propias inteligencias.

Esto revela algo crítico: las soluciones comerciales no dan ventaja competitiva sostenible. Cualquiera puede pagar por Claude o GPT-4. Pocos pueden contratar a los ingenieros que saben construir encima. Menos aún pueden crear una cultura que permita experimentación rápida sin caer en el caos.

El verbo ya no es probar. Es integrar.

Lo que era un “proyecto de innovación” se está transformando en infraestructura operativa permanente. La IA dejó de ser un departamento para convertirse en el sistema nervioso de la empresa.

II. El nuevo cuello de botella: Nosotros (y la paradoja que pocos ven)

El informe revela una paradoja brutal: 89% de los líderes afirma que la IA mejora las habilidades humanas. Pero 43% teme que también las degrade.

El riesgo no es el reemplazo. Es la atrofia.

A medida que las máquinas asumen tareas cognitivas rutinarias, los humanos corren el peligro de dejar de practicar el pensamiento profundo. Es la versión digital del músculo que se oxida por falta de uso.

Wharton lo resume con precisión quirúrgica: “People, not tools, set the pace.”

El cuello de botella ya no es técnico. Es cultural. Y los datos lo demuestran:

• Inversión en capacitación: -8%

• Confianza en capacitación efectiva: -14%

• “Falta de recursos de entrenamiento” entra al top 10 de barreras por primera vez

¿Cómo es posible que las empresas estén usando más IA, invirtiendo más dinero, midiendo más ROI... pero invirtiendo MENOS en entrenar a su gente?

El dato que lo explica: Expectativa de “necesitaremos contratar talento completamente nuevo”:

• 2024: 6%

• 2025: 14% (+8pp)

Las empresas están dejando de apostar por su gente actual y empezando a buscar reemplazos externos.

La brecha invisible: Ejecutivos v/s Gerentes

Pero hay algo peor. Existe una desconexión masiva entre lo que los ejecutivos creen y lo que los gerentes operativos viven:

Los ejecutivos están en el ciclo de la fascinación. Los gerentes están en la trinchera.

Los vicepresidentes van a conferencias sobre IA, leen reportes de Gartner, hablan con vendedores que les muestran demos perfectas. Su narrativa es optimista porque su trabajo es vender la visión.

Los gerentes medios están lidiando con herramientas que no se integran, empleados resistentes, resultados inconsistentes y presión por entregar ROI sin presupuesto para capacitación.

Una cita brutal de un Director en Tech/Telecom: “La mayor reducción de trabajo será en contrataciones de subcontratación en el extranjero.”

Mientras los ejecutivos hablan de “aumentar productividad” en LinkedIn, los gerentes ya están viendo cómo se recortan posiciones. La narrativa oficial vs la realidad operativa viven en universos paralelos.

El 60% de las empresas ya tiene un Chief AI Officer. Pero apenas la mitad logra articular una estrategia coherente de talento, entrenamiento y cultura.

La frontera ya no está en el modelo de lenguaje. Está en el lenguaje del modelo organizacional.

III. Ganadores vs rezagados: La gran divergencia

No todas las industrias están jugando el mismo juego.

ROI positivo por industria:

• Tech/Telecom: 88%

• Banca/Finanzas: 83%

• Servicios Profesionales: 83%

• Manufactura: 75%

• Retail: 54% ← 🚨

Retail está 34 puntos porcentuales detrás de Tech. Y esto es paradójico porque Retail tiene casos de uso obvios: experiencia personalizada, gestión de workforce, marketing segmentado, optimización de supply chain.

¿Por qué está perdiendo? La respuesta no es presupuesto. Es la fricción operativa.

Tech/Telecom, Banca, Servicios: Su producto es código, datos o conocimiento. Todo el flujo ya es digital. Un consultor puede usar Claude para escribir reportes y está 80% del camino.

Retail y Manufactura: Su producto es físico. Un minorista puede usar Gen AI para optimizar inventario... pero si su sistema de punto de venta tiene 15 años y no se comunica con su ERP, el impacto es marginal.

Además: márgenes ajustados = menos espacio para experimentación, fuerza laboral menos digital = mayor resistencia, regulaciones de atención al cliente = menos automatización permitida.

El resultado: Retail tiene el potencial más alto pero la ejecución más lenta.

Los dos arquetipos

GANADORES (Tech, Finanzas, Servicios)

• Uso semanal: 94%

• ROI positivo: 83-88%

• Cultura: Experimentación rápida + barreras claras (no paranoia)

• Presupuesto: 30% en I+D interno

• Estrategia: Construyen capacidades propietarias

REZAGADOS (Retail, Manufactura - 16% del mercado)

• Uso semanal: 63%

• ROI positivo: 54-75%

• Cultura: “Esperar y ver”

• Presupuesto: Dependencia alta en consultores

• Estrategia: Esperan la “herramienta perfecta” antes de escalar

La diferencia clave no es el presupuesto. Es la mentalidad.

Los Rezagados esperan certeza antes de actuar. Pero en tecnología de rápida evolución, certeza = tarde. Los ganadores entienden que la velocidad de aprendizaje es más importante que la precisión de las decisiones.

Mejor fallar rápido y aprender que esperar la decisión perfecta que nunca llega.

IV. De la herramienta al tejido: Cuando la IA se vuelve invisible

La IA ha pasado del escritorio al tejido de la operación. Ya no cambia el flujo de trabajo: es el flujo de trabajo.

Y emerge una nueva especie: los AI Agents.

58% de las empresas ya los utiliza para automatizar soporte interno, detectar fraudes, gestionar contratos 24/7 con 92% de precisión, y monitoreo DevOps con resolución automática. Pero, aún están supervisados por humanos.

Estamos en la fase “asistente avanzado”, no “agente autónomo”. Los agentes actuales son buenos para tareas repetitivas con reglas claras, NO para decisiones estratégicas o ambigüedad sin supervisión.

Una cita de un ejecutivo nivel C: “Aunque supervisados por humanos, los agentes ya están liberando tiempo valioso y acelerando la toma de decisiones entre departamentos.”

Nota: “supervisados por humanos.” Los agentes están liberando tiempo, no reemplazando gente. Esa es la realidad operativa — aunque no la narrativa mediática.

2026 marcará la transición al “Performance at Scale”: cuando los modelos dejen de ser proyectos para convertirse en procesos permanentes con KPIs trimestrales.

V. La gobernanza del futuro: Cuando la IA se audita a sí misma

Toda aceleración necesita fricción. Toda potencia necesita frenos.

Políticas implementadas (2025):

• 64% seguridad de datos (+9pp vs 2024)

• 61% capacitación ética (+7pp)

• 61% training y awareness

• 46% proceso de aprobación explícita (BAJÓ -6pp)

Lo interesante: las políticas suben, pero los procesos de aprobación BAJAN.

Las empresas cambiaron de “pedir permiso” a “pedir perdón”—con barreras claras.

En vez de: “Necesitas aprobación para cada query”. Ahora es: “Puedes usar la AI libremente, pero NO puedes usar: datos sensibles de clientes, información financiera no pública, decisiones de contratación sin supervisión.”

Esto es madurez organizacional.

Pero lo más interesante: 62% de las empresas que usan Gen AI también la aplica para gestionar riesgos relacionados con IA.

Top áreas donde usan IA para gobernar IA:

1. Seguridad IT / Ciberseguridad (67%)

2. Riesgo financiero (58%)

3. Identificación de riesgos (55%)

4. Cumplimiento regulatorio (50%)

Las empresas usan Claude para detectar cuando Claude está siendo usado incorrectamente: monitoreo de queries para filtración de datos, análisis de outputs para detectar alucinaciones, auditoría automatizada de uso para compliance.

El espejo se invierte: las empresas ya no miden a la IA, la IA las mide a ellas.

Y esto crea un ciclo virtuoso: Más uso → Más gobernanza → Más IA gobernando → Más confianza → Más uso.

Es un flywheel de madurez organizacional que se auto-refuerza.

VI. El capital humano como sistema operativo

Los 5 cuellos de botella del talento en esta nueva era:

1. Reclutar talento con habilidades avanzadas (49%)

No es suficiente saber usar ChatGPT. Las empresas necesitan gente que sepa: ajuste fino de modelos, ingeniería de prompts avanzada, RAG, evaluación sistemática de outputs, integración en sistemas legacy.

Y ese talento no existe en cantidad suficiente.

2. Proveer capacitación efectiva (46%)

Los cursos genéricos no escalan a contextos específicos. Los cursos custom son carísimos y se vuelven obsoletos en 6 meses. El aprendizaje práctico funciona pero no alcanza para 10.000+ empleados.

3. Mantener moral de empleados en roles impactados (43%)

Imagina que eres analista junior y ves que Claude hace en 10 minutos lo que a ti te tomaba 2 días. ¿Te sientes motivado o amenazado?

Las empresas descubren que la productividad aumenta... pero la moral baja. Porque la gente no sabe si está “aumentando capacidades” o “siendo reemplazada en cámara lenta.”

4. Liderazgo que pueda navegar transformación (41%)

No se trata de habilidad técnica. Se trata de líderes que puedan navegar una transformación organizacional profunda sin mapa ni manual.

Implementar Gen AI no es como implementar Salesforce. Es cambiar el sistema operativo de cómo tu empresa piensa, decide y ejecuta.

5. Estrategia fragmentada (48% / 44% / 44%)

Las empresas están divididas equitativamente entre entrenar talento interno, contratar talento externo o contratar consultores.

No hay consenso. No hay “best practice” consolidada. Nadie ha descubierto “el camino” todavía.

El rol invisible: los gerentes medios

Los gerentes medios — no los CEOs ni los ingenieros — son los verdaderos arquitectos de esta transición.

Ellos diseñan procesos que balancean velocidad con control, entrenan equipos en herramientas nuevas cada 3 meses, traducen potencial técnico en impacto medible y gestionan la ansiedad de empleados.

La historia sugiere que toda revolución tecnológica termina siendo una revolución de gestión. Esta no será diferente.

VII. La última frontera (y por qué es humana)

Las emociones maduraron. Donde antes había asombro (2023) y temor (2024), hoy predominan:

• Optimismo: 59%

• Excitación: 59%

• Cautela consciente: 38%

El deslumbramiento cedió lugar a respeto pragmático. Ya no estamos en “wow, mira lo que puede hacer.” Estamos en “ok, ¿cómo hacemos que esto funcione sin romper todo?”

El ciclo emocional de la IA refleja el patrón de cualquier tecnología transformadora:

1. Fascinación — Lo nuevo deslumbra

2. Saturación — Lo nuevo se vuelve cotidiano

3. Responsabilidad — Lo cotidiano exige criterio

Estamos entrando en la tercera etapa.

Y esta es la más difícil. Porque requiere algo que ningún modelo de lenguaje puede hacer por nosotros: juicio humano sobre qué automatizar y qué no, qué delegar y qué preservar.

La inteligencia artificial superó su prueba técnica. Los modelos funcionan. Las APIs son estables. Los costos bajan. Lo que enfrenta ahora es una prueba moral y organizacional.

La pregunta no es cuán capaz es la IA. Es cuán capaces somos nosotros de usarla con propósito, criterio y responsabilidad.

El estudio de Wharton lo resume: 2026 será el punto de inflexión hacia “performance at scale”, cuando la IA deje de ser copiloto y se convierta en el vehículo. Pero ese salto no depende de más cómputo.

Depende de más confianza, más entrenamiento y más liderazgo.

La IA ya no es la última interfaz entre el humano y la máquina. Es la nueva interfaz entre el humano y su propia responsabilidad.

Ideas finales

¿Y tú? ¿Estás midiendo el ROI de tus modelos... o el de tu equipo?

Porque aquí está la verdad incómoda: Todas las empresas tienen acceso a Claude, GPT-4, Gemini. Los modelos son cada vez más baratos. Las APIs más accesibles.

Pero no todas tienen:

• Ingenieros que saben hacer fine-tuning en contextos específicos

• Diseñadores que piensan primero en IA

• Líderes que pueden navegar cambio masivo sin manual

• Cultura que permite experimentación rápida con barreras claras

Y eso no se compra. Se construye.

No puedes “comprar” cultura en AWS Marketplace. No puedes hacer “fine-tuning” de liderazgo con más GPUs. No puedes “promptear” tu camino hacia un cambio efectivo del management en tu empresa.

Las empresas que ganen en los próximos 5 años no serán las que tengan mejor tecnología.

Serán las que tengan mejor talento, mejor capacitación, mejor cultura y mejor liderazgo. Y eso, no se resuelve con una llamada a una API.

La próxima frontera de la inteligencia artificial no será técnica. Será humana.

Amazon, por su parte, rechazó el mismo deal. Bloqueó los crawlers de OpenAI, invirtió $8 mil millones en Anthropic (un competidor directo de OpenAI), y continúa construyendo Rufus, su propio asistente de compras con IA.

¿Cuál es la jugada correcta?

Benedict Evans, uno de los analistas de tecnología más respetados —fue partner en Andreessen Horowitz durante seis años y ahora publica análisis independientes— escribió algo inteligentemente sobrio sobre este anuncio: “Good for headlines, but not very surprising.” Su punto es simple: algunos tipos de empresas están listas para ser partners de plataformas, otras quieren ser la plataforma. Y ambas estrategias implican trade-offs que hemos visto muchas veces antes.

Evans plantea las preguntas correctas: ¿Esto te da clientes nuevos? ¿Vale la pena ceder el control de la relación y la experiencia? ¿Cuánto estás dispuesto a intercambiar control por distribución?

La respuesta, como siempre: Depende.

Pero antes de decidir qué “depende” de qué, necesitamos analizar el tema porque esta película ya la vimos antes. Y no terminó bien para los que cedieron el control.

Acto I: Esta Película Ya La Vimos

El patrón es tan viejo como el internet comercial mismo, y se repite con una regularidad que debería hacernos sospechar.

Así funciona siempre:

1. Emerge una nueva plataforma de distribución con audiencia masiva

2. La plataforma dice: “Trae tu inventario/contenido, te damos acceso a millones de usuarios”

3. El deal parece win-win: ellos tienen audiencia, tú tienes producto

4. Los early adopters prosperan (temporalmente)

5. La plataforma aprende qué funciona usando datos de todos los participantes

6. La plataforma empieza a monetizar agresivamente

7. Los partners descubren que ya no pueden salirse

8. La plataforma capturó el valor

Hemos visto esta película al menos tres veces en los últimos 20 años, y siempre termina igual.

Google Shopping: La Original

En 2002, Google lanzó “Google Product Search” (después rebautizado como Froogle, porque alguien en Mountain View pensó que era gracioso). El pitch era irresistible: “Sube tu catálogo, gratis. Te daremos tráfico de Google.”

Los retailers dijeron que sí. ¿Por qué no? Tráfico orgánico de Google, sin pagar un peso.

Google aprendió todo lo que necesitaba saber: qué productos busca la gente, a qué precios convierten, qué marcas dominan cada categoría, qué keywords importan. Era un curso gratuito de MBA en retail, pagado con los datos de los retailers.

En 2012, Google convirtió todo el producto en “Google Shopping” y lo hizo 100% de pago. Si querías aparecer, pagabas por click. Los retailers ya no se podían salir porque sus clientes buscaban en Google primero. El que controlaba la barra de búsqueda, controlaba el descubrimiento de productos.

Hoy, Google Shopping genera decenas de miles de millones en revenue publicitario. Los retailers quedaron reducidos a “fulfillers” — alguien más controla la puerta de entrada.

Instagram Shopping: El Camino DTC

En 2018, Instagram prometió que las marcas Direct-to-Consumer podrían etiquetar productos en posts orgánicos y convertir su audiencia en ventas. Gratis. Solo “etiqueta el producto, el usuario hace tap, compra en tu site.”

Las marcas DTC mordieron el anzuelo. Glossier, Warby Parker, Allbirds — todos construyeron estrategias enteras alrededor de Instagram. La plataforma se volvió sinónimo de “brand building” para una generación de fundadores.

Instagram aprendió: qué formatos visuales convierten, qué copy funciona, qué audiencias compran qué productos, cuándo publicar para maximizar engagement.

Luego vino el giro: el alcance orgánico colapsó. El algoritmo priorizó contenido de amigos y familia. Para llegar a tu propia audiencia, ahora necesitabas pagar ads. Instagram lanzó “Checkout” (compra sin salir de la app) y quiso quedarse con la comisión.

Las marcas descubrieron que habían construido su casa en un terreno arrendado. Instagram tenía la relación con el cliente. Las marcas solo eran proveedores de inventario.

Amazon Marketplace: El Tax Man Invisible

Cuando Amazon abrió su Marketplace en el 2000, el pitch era distribución pura: “Acceso a millones de clientes Prime, pagando solo el 15% de comisión.”

Las marcas terceras dijeron que sí. El volumen compensaba la comisión.

Amazon aprendió. Vio qué categorías vendían bien, a qué precio, con qué reseñas, qué productos tenían mejor margen. Luego lanzó Amazon Basics y compitió directamente, con la ventaja de controlar el search y las recomendaciones.

Luego vino el segundo golpe: para aparecer arriba en búsqueda dentro de Amazon, necesitabas pagar Amazon Ads. La comisión original de 15% se convirtió en 30-40% del revenue cuando incluyes la publicidad.

Pero ya no puedes irte. Tus clientes compran en Amazon. Salirse es invisibilidad.

El patrón es el mismo en los tres casos:

• La plataforma ofrece distribución

• El partner trae inventario/contenido

• Fase inicial es genuinamente win-win

• La plataforma captura aprendizaje permanente

• La plataforma monetiza, el partner queda atrapado

• El que controla la interfaz, captura el valor

Walmart-OpenAI es la misma historia. Solo que esta vez, los ciclos son más rápidos y las apuestas más altas, porque los efectos de red de la IA son más poderosos que los de search o social.

Acto II: Los Jugadores y Sus Apuestas

Tres compañías, tres estrategias, una pregunta existencial: ¿quién controla La Última Interfaz?

Walmart: “Necesitamos Estar Donde Están Los Usuarios”

La lógica de Walmart es superficialmente razonable:

ChatGPT tiene 800 millones de usuarios semanales. Una porción significativa de esas interacciones involucra shopping (OpenAI reporta 50 millones de prompts de shopping por día). Walmart no puede ignorar ese tráfico.

Además, el precedente es claro: retailers que no estuvieron en Google Shopping temprano perdieron visibilidad. Retailers que no adoptaron Amazon Marketplace temprano quedaron fuera. El costo de esperar es alto.

Y hay un detalle interesante: ChatGPT ya representaba el 20% del tráfico de referencia a Walmart antes de este partnership oficial. Aunque el tráfico de referencia representa menos del 5% del tráfico total del sitio, la velocidad con que ChatGPT escaló a ser la principal fuente de referencia muestra cómo la IA está comenzando a influir en cómo los consumidores compran online.El partnership simplemente formaliza lo inevitable.

Entonces, ¿por qué no? Trae tus 420 millones de SKUs, prueba la funcionalidad de “Instant Checkout”, captura ventas incrementales. En el peor caso, es un experimento. En el mejor caso, eres líder en la próxima ola de commerce.

El trade-off que Walmart acepta:

• ✅ Gana: Acceso a 800M usuarios semanales, headlines, bump de 5% en el stock, posicionamiento como innovador

• ❌ Pierde: Control de la experiencia, datos de comportamiento del usuario, relación directa con el shopper

Amazon: “Somos La Plataforma de Destino”

Amazon tomó la decisión contraria y lo hizo de manera agresiva:

Bloqueó los crawlers de OpenAI (ChatGPT no puede acceder a data actualizada de Amazon). Invirtió $8 mil millones en Anthropic, uno de los competidores directos de OpenAI. Está construyendo Rufus, su propio asistente de compras con IA, que ya está disponible para todos los usuarios en Estados Unidos.

La apuesta de Amazon es: “No necesitamos la distribución de OpenAI. Nosotros somos el destino.”

Y los números los respaldan: 300 millones de clientes activos, $575 mil millones en GMV anual, el 40% del e-commerce en Estados Unidos. Rufus está proyectado para generar $700 millones en ganancias operativas sólo en 2025.

Más importante aún: Amazon tiene algo que Walmart nunca tendrá — décadas de datos de comportamiento de compra, historial completo de cada usuario, reviews, wishlists, browsing patterns. Esos datos entrenan a Rufus de una manera que ningún partnership externo podría replicar.

El trade-off que Amazon acepta:

• ✅ Gana: Control total de la experiencia, todos los datos, posibilidad de capturar todo el valor

• ❌ Pierde: Los usuarios que prefieren buscar en ChatGPT (por ahora, una minoría)

Amazon está apostando a que los usuarios seguirán yendo directamente a Amazon.com, y que cuando usen IA, usarán Rufus. Es una apuesta cara ($8B en Anthropic + desarrollo de Rufus), pero coherente con su historia: ser la plataforma, no el partner.

OpenAI: Gana Sin Importar Qué

Y aquí está el punto que muchos análisis omiten: OpenAI aprende de ambas estrategias.

De Walmart (que participa), OpenAI obtiene:

• Data de comportamiento de compra real en conversaciones

• Retroalimentación sobre qué recomendaciones funcionan

• Training data invaluable: miles de interacciones de shopping conversacional

• Validación de product-market fit para agentic commerce

De Amazon (que rechaza), OpenAI obtiene:

• Validación de amenaza existencial (Amazon no rechaza deals triviales)

• Información sobre dónde están los espacios vacíos en el mercado

• Aprendizaje estratégico: qué features construye Amazon en Rufus

• Oportunidad de posicionar a Walmart/Target/otros como “la alternativa a Amazon en IA”

Es un flywheel perfecto:

Más retailers en ChatGPT → Más prompts de shopping → Mejor entrenamiento del modelo → Mejores recomendaciones → Más conversiones →Más retailers quieren estar en la plataforma

Y el loop se acelera. Cada interacción mejora el modelo. Cada mejora del modelo atrae más retailers. Cada retailer nuevo aporta más datos.

OpenAI no necesita que todos participen. Necesita suficiente volumen para entrenar el modelo, y luego los efectos de red hacen el resto. Los que se quedaron fuera eventualmente necesitarán entrar, pero en peores términos.

Es la misma dinámica que Google tuvo con Search, o Facebook con Social. El que agrega la demanda (usuarios), eventualmente dicta términos a la oferta (retailers).

Acto III: El Trade-Off Real (Y Por Qué Facebook Instant Articles Debería Preocuparnos)

Si esta historia te suena familiar, es porque la vimos hace menos de 10 años con un desenlace particularmente aleccionador.

El Precedente Olvidado: Facebook Instant Articles

En 2015, Facebook lanzó “Instant Articles” con un pitch irresistible para publishers:

“Los artículos en mobile son lentos. Los usuarios abandonan antes de leer. Nosotros tenemos la solución: publica tu contenido dentro de Facebook. Carga en menos de 1 segundo. Mejor UX = más clicks = más revenue para ti.”

El deal parecía win-win:

• Publishers mantenían 100% del revenue de ads que vendieran

• O podían usar Facebook Audience Network (70/30 split)

• Facebook proveía analytics y distribución en el newsfeed

• Gratis

New York Times, Washington Post, BuzzFeed, The Atlantic — todos dijeron que sí.

Fase 1: Luna de Miel (2015-2016)

Los publishers subieron todo su contenido. El tráfico creció. Facebook promovía Instant Articles en el algoritmo. Todos ganaban.

Fase 2: El Algoritmo Cambia (2016-2017)

Facebook empezó a priorizar “contenido de amigos y familia” sobre publishers. El alcance orgánico de los publishers cayó ~50%. Para recuperar el alcance, necesitabas pagar Facebook Ads. Pero tus artículos ya estaban en Instant Articles, no en tu sitio.

Fase 3: La Trampa (2017-2018)

Los publishers descubrieron que:

• Facebook capturó la relación con el lector (nunca visitaban el site del publisher)

• Facebook aprendió qué llamados a la acción funcionan, qué temas generan engagement, cuándo publicar, etc.

• Los publishers no podían construir listas de email (usuarios nunca salían de Facebook)

• Los publishers no podían vender subscripciones (todo pasaba dentro de Facebook)

• El revenue de ads cayó porque Facebook controlaba el inventario

Fase 4: Retirada (2018-presente)

Varios publishers abandonaron Instant Articles. Pero el daño estaba hecho: habían perdido el hábito del usuario de “ir directo al sitio.” Facebook ya había aprendido qué contenido funciona. Los publishers quedaron más débiles que antes de entrar.

Los Paralelos con Walmart-OpenAI Son Inquietantes

La estructura es idéntica. Y el desenlace probablemente también.

Por Qué “Gratis” Es Temporal

Walmart no está pagando comisión a OpenAI (todavía). Pero OpenAI ya anunció públicamente que cobrará fees transaccionales a retailers en su plataforma. La pregunta no es si, sino cuándo y cuánto.

Y cuando llegue ese momento, Walmart tendrá tres opciones:

1. Pagar la comisión (y competir con otros retailers también pagando)

2. Negociar términos preferenciales (si tiene leverage)

3. Salirse (y perder la visibilidad en ChatGPT)

Pero para entonces, los usuarios ya estarán acostumbrados a buscar productos en ChatGPT. Salirse será pérdida de market share. Quedarse será erosionar el margen.

Es la misma dinámica que los publishers vivieron con Facebook, los retailers vivieron con Google Shopping, y las marcas vivieron con Amazon Marketplace.

El Precio Real: Los Datos

El verdadero costo no es la comisión futura. Es el aprendizaje que OpenAI captura hoy:

• Qué prompts de shopping convierten vs. cuáles son solo browsing

• Qué categorías de productos la gente compra conversacionalmente

• Qué tipo de recomendaciones la gente acepta vs. rechaza

• Qué precio sensitivity existe en diferentes categorías

• Qué tipo de meal planning funciona

• Qué follow-up questions indican purchase intent

Cada una de estas interacciones entrena el modelo. No solo para Walmart, sino para todos los retailers que vengan después.

Walmart es el beta tester, pagando con sus propios clientes.

Y aquí está el kicker: ese aprendizaje es permanente y transferible. Cuando Target entre a la plataforma (y lo hará), OpenAI ya sabrá qué funciona porque aprendió con Walmart. Target tendrá una mejor experiencia desde el día uno, sin haber invertido en descubrimiento.

Es el equivalente a que Amazon use tus datos de ventas para lanzar Amazon Basics en tu categoría. Excepto que en este caso, OpenAI puede usar tu data para optimizar la experiencia de todos tus competidores.

It Depends: ¿Para Quién Funciona Este Deal?

Ben Evans termina su análisis con dos palabras perfectas: “It depends.”

Y tiene razón. La respuesta correcta depende de quién eres y qué alternativas tienes.

Si Eres Walmart (Top 3 Retailer Global)

Este deal tiene sentido como experimento:

• Tienes los recursos para apostar a múltiples caballos (partnership con OpenAI + desarrollo de Sparky, tu propio asistente)

• Tienes leverage para negociar mejores términos si el canal se vuelve relevante

• Puedes absorber el costo de estar equivocado

• El upside (ser líder en agentic commerce) justifica el riesgo

Pero incluso para Walmart, las señales de alarma deberían estar sonando:

¿Por qué Amazon dijo que no? Amazon tiene mejor información que nadie sobre el futuro del retail. Si ellos decidieron que construir internamente es mejor que buscar un partner, ¿qué sabe Amazon que Walmart no?

Si Eres Amazon (Líder Absoluto en E-commerce)

Rechazar tiene sentido estratégicamente:

• Tu moat son los datos de comportamiento de compra de 300M clientes

• Regalarle esos datos a OpenAI sería un suicidio estratégico

• Tienes los recursos para construir tu propia solución (Rufus + Alexa+)

• Tu ventaja competitiva es ser el destino, no aparecer en el destino de otro

El riesgo es:

Si agentic commerce se vuelve el default y ChatGPT es la interfaz dominante, Amazon quedará fuera de la conversación. Será el MySpace del e-commerce — todos recuerdan que fue importante, pero nadie lo usa.

Si Eres Target, Best Buy, o un Retailer Top 10-50

Aquí es donde se pone feo:

• No tienes los recursos de Amazon para construir tu propio asistente de IA de clase mundial, aunque podrías intentar hacer algo razonablemente bueno…pero no para ganar en esta carrera

• No tienes el leverage de Walmart para negociar términos preferenciales

• Pero tampoco puedes no participar, porque tus competidores sí estarán en ChatGPT

Estás atrapado en el peor de los mundos: suficientemente grande para que importe, pero no suficientemente grande para tener opciones.

Tu única jugada es:

1. Entrar al partnership con OpenAI

2. Rezar para que los términos no se vuelvan extractivos

3. Mientras tanto, invertir en construir relación directa con clientes (email, app, loyalty program)

Pero esa última parte es cada vez más difícil cuando los consumidores prefieren buscar en ChatGPT.

Si Eres un Retailer Mediano o Pequeño

Francamente, estás en serios problemas.

No tienes recursos para construir tu propio agentic commerce. No tienes leverage para negociar. No tienes poder de marca para que los clientes te busquen directamente.

Cuando OpenAI empiece a cobrar comisiones, probablemente no puedas pagarlas sin afectar tu margen de manera significativa. Pero si no estás en la plataforma, serás invisible para una generación que busca todo en ChatGPT.

Es el equivalente a ser un retailer pequeño cuando Google Shopping se volvió pay-to-play. Los márgenes se comprimieron hasta desaparecer.

Si Eres OpenAI

Ganas. Simplemente ganas.

Capturas aprendizaje de todos los que participan. Aprendes incluso de los que rechazan (Amazon validó que esto es existencial). Construyes el flywheel más poderoso en retail desde que Amazon inventó Prime.

Y cuando tengas suficiente volumen, empiezas a cobrar. Los retailers no podrán decir que no porque sus clientes ya estarán ahí.

Es el movimiento de plataforma perfecto.

La Pregunta Que Nadie Está Haciendo

Todo este análisis asume que alguien gana. Pero hay una posibilidad más inquietante:

¿Y si el verdadero impacto del agentic commerce no es quién gana entre retailers, sino que la actividad económica del retail se comprime?

Piénsalo:

Si los agentes de IA se vuelven realmente buenos recomendando productos, los consumidores comprarán menos y mejor. No navegarán productos que no necesitan. No harán compras impulsivas. No caerán en dark patterns de UX diseñados para maximizar el checkout.

El retail siempre ha dependido de cierto nivel de la ineficiencia del consumidor. La IA podría eliminar esa ineficiencia.

Los ganadores no serían Walmart ni Amazon ni OpenAI.

Los ganadores serían los consumidores.

Y eso, paradójicamente, podría ser malo para todos los jugadores en el tablero.

Pero esa es una pregunta para otro artículo.

Conclusión: Control vs. Distribución (Siempre)

Volvamos a Ben Evans: “¿Cuánto estás dispuesto a intercambiar control por distribución? It depends.”

La historia de tech está llena de empresas que tomaron esta decisión y se arrepintieron:

• Publishers que construyeron en Facebook y perdieron su audiencia

• Retailers que dependieron de Google Shopping y quedaron commoditizados

• Marcas que se volvieron dependientes de Amazon y vieron erosionar sus márgenes

También está llena de empresas que rechazaron distribución y quedaron irrelevantes:

• Retailers que dijeron “no” a Google Shopping temprano

• Marcas que rechazaron Amazon Marketplace y perdieron market share

• Publishers que se negaron a optimizar para social y desaparecieron

No hay respuesta correcta universal. Solo trade-offs.

Pero si hay un patrón que se repite con consistencia brutal: el que controla La Última Interfaz — el punto de contacto con el usuario — captura el valor.

Google controló la barra de búsqueda. Facebook controló el newsfeed. Amazon controló la búsqueda de productos.

OpenAI quiere controlar la conversación.

Y Walmart acaba de invitarlos a aprender cómo hacerlo.

Quizás esta vez sea diferente. Quizás Walmart tenga un plan que no vemos. Quizás los retailers hayan aprendido de Facebook Instant Articles y Google Shopping.

O quizás, como siempre, estamos viendo el principio de una película cuyo final ya conocemos.

El tiempo lo dirá. Pero la historia sugiere apostar por la plataforma, no por el partner.

Y en este juego, OpenAI es la plataforma.

• Los modelos futuros serán 1000x más pequeños pero más inteligentes

• El problema no es falta de datos, es exceso de basura

• La carrera real es por curación, no por escala

• AGI llegará gradualmente, no como singularidad

La predicción que nadie vio venir

En una entrevista de dos horas y media con Dwarkesh Patel, Andrej Karpathy —ex director de IA en Tesla, miembro fundador de OpenAI, y una de las pocas voces en el campo sin agenda comercial que defender— hizo una predicción que contradice todo lo que la industria está construyendo: En 20 años, el modelo más inteligente tendrá solo mil millones de parámetros.

Para poner esto en perspectiva: GPT-4 tiene aproximadamente 1.8 trillones de parámetros. Llama 3 (en su versión de 70B) tiene 70 mil millones. La industria ha apostado todo a la escala. “Más grande es mejor” ha sido el mantra desde 2018. Y ahora Karpathy dice que el futuro es 1,000 veces más pequeño.

¿Está loco? ¿O hemos estado ciegos?

La clave está en una distinción que pocos han notado: estos modelos gigantes están haciendo “trabajo de memoria” en lugar de “trabajo cognitivo”. Son enciclopedias con esteroides cuando deberían ser matemáticos. Y esa confusión está costándonos años de progreso real.

La verdad sucia: El internet es basura

Hay una ilusión cómoda que todos compartimos: GPT-4 fue entrenado en “todo el conocimiento humano en internet”. Cuando Karpathy describe la realidad, es brutal: “Cuando miras un documento aleatorio del dataset de pre-training en un lab de frontera, es basura total. No sé ni cómo funciona esto. Son stock tickers, símbolos, enormes cantidades de slop de todos los rincones del internet. No es tu artículo de Wall Street Journal - eso es extremadamente raro.”

Esta es la verdad sucia detrás de los modelos de trillones de parámetros: no son grandes porque sean inteligentes. Son grandes porque están tratando de comprimir un vertedero.

Llama 3 procesó 15 trillones de tokens. Con 70 mil millones de parámetros, eso significa 0.07 bits de información por token. Es una compresión masiva, sí, pero de qué exactamente? La mayor parte es ruido que el modelo debe “memorizar” para encontrar las pepitas de oro escondidas en la basura.

Aquí está la oportunidad que pocos ven: “Hay una enorme cantidad de ganancias por capturar porque el internet es terrible”. El ganador de la próxima década no será quien entrene el modelo más grande, sino quien cure los datos más limpios.

Memorizar es el enemigo de pensar

Esta obsesión por comprimir todo el internet tiene una consecuencia inesperada: los modelos se vuelven demasiado buenos en exactamente la habilidad equivocada.

Karpathy hace una observación que suena paradójica hasta que lo piensas profundamente: los modelos son demasiado buenos memorizando, y eso es malo. Pueden memorizar secuencias completamente aleatorias en una o dos iteraciones. Ningún humano puede leer una secuencia de números random una vez y recitarla. “Eso es una característica, no un bug”, dice Karpathy.

¿Por qué? Porque cuando no puedes memorizar, te ves forzado a encontrar patrones generalizables. Los humanos somos malos memorizando, y eso nos fuerza a “ver el bosque por los árboles”. Los LLMs, en contraste, tienen memoria fotográfica perfecta - y eso los distrae.

Piensa en la diferencia entre una enciclopedia y un matemático. La enciclopedia conoce cada fórmula pero no entiende ninguna. El matemático puede olvidar la fórmula exacta de una integral, pero puede re-derivarla desde primeros principios. La inteligencia está en la estructura, no en el almacenamiento.

El Core Cognitivo: Menos enciclopedia, más Sherlock Holmes

Esta es la visión del “Core Cognitivo” de Karpathy: un modelo de pocos miles de millones de parámetros que sacrifica al máximo el conocimiento enciclopédico por capacidad pura. No sabe que el reinado de William el Conquistador terminó el 9 de septiembre de 1087, pero reconoce vagamente el nombre y puede buscar la fecha.

No es una base de datos. Es un motor de razonamiento que sabe que no sabe.

El colapso silencioso

Hay un fenómeno que pocos fuera de los labs de frontera discuten abiertamente: Model Collapse. Cuando los LLMs generan datos y luego se entrenan sobre esos datos, “colapsan silenciosamente” - cada muestra individual se ve razonable, pero la distribución completa pierde diversidad catastróficamente.

Karpathy da un ejemplo simple: “Ve a ChatGPT y pídele un chiste. Hazlo 10 veces. Solo conoce como tres chistes. Están colapsados.”

En model collapse, los eventos probables “envenenan” el dataset. Los eventos improbables - las “colas” de la distribución que son raras pero importantes - se encogen hasta desaparecer. El modelo se vuelve cada vez más genérico, más predecible, menos creativo. Generación tras generación, pierde lo que lo hacía interesante.

¿Por qué sucede esto? Porque los LLMs son máquinas de compresión optimizadas para predecir lo más probable. No mantienen entropía. No buscan diversidad. Colapsan hacia el centro de la distribución.

Y aquí está el giro: Karpathy sugiere que los humanos también colapsan con el tiempo. “Los niños no han “overfitteado” todavía. Dirán cosas que te sorprenden porque puedes ver de dónde vienen, pero no son las cosas que la gente dice. Los adultos estamos colapsados. Revisitamos los mismos pensamientos, decimos más y más las mismas cosas, las learning rates bajan, el colapso continúa empeorando.”

La pregunta clave acá es: ¿Cómo construyes sistemas que mantengan la creatividad de un niño sin la rigidez de un adulto?

Por qué reinforcement learning (RL) es terrible (y todo lo demás es peor)

Karpathy tiene una frase muy potente para describir el reinforcement learning actual: “estás succionando supervisión a través de una bombilla”.

Imagina que aprendes matemáticas así: Resuelves 1,000 problemas de diferentes formas. Al final, alguien te dice “obtuviste 734 correctos”. Y basándose en ese único número, se supone que debes saber qué pasos específicos en cuáles de tus 1,000 intentos fueron buenos o malos.

Eso es RL. Generas cientos de trayectorias complejas - cada una podría ser minutos de razonamiento. Al final obtienes un solo bit: “correcto” o “incorrecto”. Y luego tomas ese bit y lo propagas hacia atrás a través de toda la trayectoria, asumiendo que cada token que condujo a la respuesta correcta fue la cosa correcta por hacer.

El problema: “Puedes haber ido por callejones incorrectos hasta que llegaste a la solución correcta. Cada una de esas cosas incorrectas que hiciste, mientras llegues a la solución correcta, se ponderará como ‘haz más de esto’. Es terrible. Es ruido.”

Los humanos nunca aprendemos así. Cuando resuelves un problema, no simplemente ves “correcto/incorrecto” al final. Haces una revisión compleja: “Esta parte la hice bien, esta otra fue un rodeo innecesario, aquí debí haber probado otra cosa.” Reflexionamos. Los LLMs no tienen nada equivalente.

El problema de los jueces: La solución obvia es “process-based supervision” - dar feedback en cada paso. Pero cuando usas un LLM como juez para dar ese feedback, el modelo de entrenamiento encuentra “ejemplos adversariales”. Karpathy cuenta cómo un modelo comenzó a escribir soluciones que terminaban en “dhdhdhdh” - completo sinsentido que rompía al “LLM juez” y obtenía 100% de reward.

No es prompt injection sofisticado. Es simplemente que el juez tiene trillones de parámetros, y por lo tanto un espacio infinito de vulnerabilidades. Cuando entrenas contra él, encuentras los exploits.

Los tres saltos que faltan

Karpathy sugiere que la industria ha tenido dos grandes breakthroughs: (1) Imitation learning - entrenar modelos para imitar conversaciones humanas, y (2) Reinforcement learning - hacerlos optimizar para recompensas. Pero dice explícitamente: “Necesitamos tres o cuatro o cinco más, algo así”.

Aquí están los que identifica (y que valen una fortuna para quien los resuelva):

Reflection y self-review: Las máquinas que se critican a sí mismas

“Los humanos hacen un proceso de revisión complicado cuando encuentran una solución: ‘OK, creo que estas partes las hice bien, estas otras no tanto, probablemente debería hacer esto o aquello’. Piensan sobre las cosas. No hay nada en los LLMs actuales que haga esto.”

La oportunidad: sistemas que no solo generan respuestas, sino que las critican, las revisan, generan datos sintéticos de sus propios errores, y se entrenan iterativamente.

Karpathy anticipa que para superar el plateau actual “necesitamos sistemas que no solo generen output sino que reflexionen: revisen sus propias salidas, se auto-corrijan, generen entrenamiento sintético por sí mismos”.

Memory consolidation: El equivalente de soñar

Karpathy hace una analogía profunda: “Cuando estoy despierto, estoy construyendo una ventana de contexto de cosas que pasan durante el día. Pero cuando voy a dormir, algo mágico sucede donde no creo que esa ventana de contexto se quede. Hay algún proceso de destilación hacia los pesos de mi cerebro.”

Los LLMs actuales no tienen esto. Cada vez que los inicias con cero tokens en la ventana, siempre están empezando desde cero. No hay fase de consolidación. No hay sueños. No hay destilación de la experiencia del día hacia una memoria de largo plazo.

Esto podría verse como “tomar lo que pasó, analizarlo obsesivamente, pensar sobre ello, hacer generación de datos sintéticos y destilarlo de vuelta a los pesos - tal vez incluso tener una red neuronal específica por persona, tal vez una LoRA“.

Culture y multi-agent systems: Cuando las máquinas escriben para máquinas

Karpathy señala dos ideas poderosas en el reino multi-agente que nadie ha reclamado todavía: cultura (LLMs escribiendo libros para otros LLMs) y self-play (como AlphaGo - un LLM creando problemas cada vez más difíciles para que otro LLM entrene).

La pregunta provocativa: “¿Por qué un LLM no puede escribir un libro para otros LLMs? Sería genial. ¿Por qué otros LLMs no pueden leer el libro de este LLM y estar inspirados o sorprendidos por él?”

No existe aún. Y la razón, según Karpathy, es simple: “Los modelos actuales todavía se sienten como estudiantes de kinder o primaria. Son niños savant con memoria perfecta de todo, pero todavía no saben realmente qué están haciendo”.

La década invisible

Entonces, ¿cuándo sucede todo esto?

La respuesta de Karpathy es la más contraria de todas: La AGI llegará en una década, pero no lo notarás en el GDP. “No puedes encontrar las computadoras en el GDP. A pesar de transformar cada industria, la invención del microchip apenas aparece en los datos macroeconómicos.”

Su punto: la tecnología se difunde lentamente. Sus efectos son reales pero absorbidos en el ritmo constante de crecimiento del ~2%. La IA probablemente seguirá el mismo patrón - un acelerante del exponencial existente en lugar de una subida súbita.

Esto contradice la narrativa popular de “singularidad” o “explosión de inteligencia”. Karpathy no ve una apocalipsis ni una singularidad, sólo “la construcción lenta de una capa cognitiva a través del mundo: humanos y máquinas co-construyendo sistemas que piensan, recuerdan y reflexionan juntos”.

Por qué tomará tanto tiempo: La lección de Tesla fue humillante. En 2013, Karpathy tuvo un paseo perfecto en Waymo en Palo Alto. El demo funcionó. Es 2025, y todavía estamos debugeando self-driving a escala. “La brecha demo-producto es enorme cuando el costo de falla es alto”.

Cada “nine” de confiabilidad - de 90% a 99% a 99.9% - requiere aproximadamente la misma montaña de esfuerzo. “En cinco años en Tesla pasamos por tal vez dos o tres nines, y todavía faltan más”.

Los agentes de IA tendrán el mismo problema. Los demos que funcionan 90% del tiempo se ven mágicos. Los sistemas listos para deployment que deben funcionar 99.999% del tiempo están a años de distancia. Cerrar el 10% final es donde comienza la ingeniería real - y los años reales.

Lo que esto significa (y por qué importa)

Tres takeaways que importan:

1. La carrera no es por escala, es por calidad

Los próximos unicornios no entrenarán los modelos más grandes. Curarán los mejores datos. Karpathy especula que “un cognitive core con tal vez ~1 mil millones de parámetros entrenado en datos de alta calidad podría sentirse ya muy inteligente”.

La oportunidad: sé el curador, no el minero.

2. Olvida AGI, construye herramientas

Como escribe Saanya Ojha: “La oportunidad es aumentar personas con ‘trajes de Iron Man’ de IA, no reemplazarlas con robots de Iron Man”. Cursor y Perplexity son ejemplos tempranos: empaquetan contexto, orquestan múltiples llamadas a LLM, dan GUIs para auditar output de IA, y ofrecen un “slider de autonomía”.

El futuro es software co-piloto donde humanos dirigen, IA asiste, y el loop de feedback es rápido.

3. Los fantasmas necesitan cuerpos (eventualmente)

Karpathy nos recuerda que “no estamos construyendo animales, estamos construyendo fantasmas” - entidades desencarnadas de información pura que imitan comportamiento humano sin instinto o embodiment. Sus ventajas vienen de esa desencarnación: velocidad de razonamiento, escala, recall perfecto.

Pero falta mucho: “Tal vez el hipocampo, no está obvio cuál sería. Algunas partes probablemente no son importantes. Tal vez el cerebelo no es importante para la cognición. Pero todavía creo que hay nucleos en el cerebro que son muy antiguos que no hemos replicado”.

Construyendo el futuro que no verás venir

La próxima década, en palabras de Karpathy, “no será sobre la llegada de AGI. Será sobre aprender a vivir con - y construir - nuestros fantasmas”.

No habrá un momento de singularidad. No habrá un “antes y después” dramático. Será más como electricidad o internet - una marea que levanta todo gradualmente - pero más rápido de lo que estamos acostumbrados - hasta que un día el mundo simplemente opera en una nueva baseline de inteligencia.

Los modelos serán más pequeños, más inteligentes, menos enciclopédicos y más razonadores. Olvidarán más, pero pensarán mejor. No sabrán tu nombre, pero resolverán problemas que hoy parecen imposibles.

Y si Karpathy tiene razón - como usualmente la tiene - todo esto sucederá tan gradualmente que apenas lo notaremos en las estadísticas económicas.

Pero la pregunta para los próximos años no es “cuándo llegará AGI” sino “qué harás tú mientras el mundo se reconfigura lentamente a tu alrededor”. Porque si Karpathy tiene razón, la oportunidad no estará en entrenar el modelo más grande, sino en curar el contexto más valioso.

¿Cuál será el tuyo?

Referencias principales:

• Entrevista completa con Dwarkesh Patel

• Tweet de Karpathy sobre el Cognitive Core

• Análisis de Saanya Ojha

Los números son impresionantes, pero no son la historia real. Mientras escuchaba cada anuncio, cada demo, cada “one more thing”, comencé a entender algo que no había captado completamente hasta ese momento: no estaba viendo una conferencia de producto. Estaba presenciando la declaración formal de una nueva plataforma. No estaba viendo mejoras incrementales a un chatbot. Estaba viendo la construcción deliberada de un sistema operativo.

Los anuncios: mucho más que features

Déjame llevarte a través de lo que se anunció ese día, porque cada pieza cuenta una historia más grande cuando las ves juntas.

Apps en ChatGPT fue quizás el anuncio más revelador. Ya no se trata solo de que ChatGPT pueda ayudarte a pensar o escribir. Ahora, Expedia, Figma, Canva, Spotify, Uber y DoorDash están integrados directamente dentro de ChatGPT. Pronto se sumarán OpenTable y Target. ¿Qué significa esto realmente? Que ChatGPT dejó de ser un destino para convertirse en un intermediario obligatorio entre tú y el resto del mundo digital.

Junto con esto llegó el Apps SDK, un toolkit completo para que developers construyan aplicaciones que vivan dentro de ChatGPT. Si entrecierras los ojos, se parece sospechosamente a lo que Apple hizo en 2008 cuando abrió el App Store e invitó a desarrolladores a construir sobre iOS. OpenAI está diciendo: “vengan, construyan aquí, este es su nuevo hogar”.

Codex, el agente de código de OpenAI, pasó de beta a disponibilidad general. Las cifras que compartieron son brutales: 70% de mejoras en productividad. Pero lo más interesante no son los números, sino lo que representan. OpenAI ha estado usando Codex internamente de forma masiva (lo que en la jerga se llama “dogfooding”) para construir sus propios productos más rápido. Durante el evento mostraron cómo construyeron herramientas completas en 48 horas usando Codex. Es una máquina que se alimenta a sí misma: usan IA para construir IA más rápido.

Sora 2 en la API y GPT-5 Pro en la API ponen las capacidades más avanzadas de generación de video y el modelo más potente de OpenAI en manos de cualquier desarrollador. Es la democratización de capacidades que hace seis meses parecían ciencia ficción. Y por si fuera poco, lanzaron gpt-realtime-mini y gpt-image-1-mini, versiones más baratas y especializadas de sus modelos para casos de uso específicos.

Cada anuncio individualmente parece un feature. Una mejora. Una actualización. Pero cuando los ves juntos, cuando conectas los puntos, revelan algo mucho más ambicioso: no están mejorando un producto. Están construyendo la arquitectura de un sistema operativo.

De endpoint a gateway: la transformación fundamental

Para entender completamente lo que está pasando, vale la pena leer este interesante artículo de Saanya Ojha que captura perfectamente la transformación que estamos presenciando.

Hasta hace poco, ChatGPT era lo que se llama un “endpoint”: un destino final. Le preguntabas algo, te respondía, y la interacción terminaba ahí. Era una herramienta pasiva que te ayudaba a pensar. Útil, sí. Transformadora, también. Pero limitada en su alcance.

Ahora, ChatGPT se está convirtiendo en un “gateway”: una puerta de entrada, un intermediario, una capa que se sitúa entre tú y todo lo demás que haces en el mundo digital. Y aquí está la frase que lo cambia todo: cuando reservas un vuelo, ChatGPT decide qué app de viajes recibe la llamada. Cuando pides comida, ChatGPT decide qué servicio se usa.

Deja que eso se asiente por un momento. No es que te ayude a decidir. Es que decide por ti.

La evolución de las superficies de control

La historia de la tecnología es, en muchos sentidos, la historia de quién controla la superficie donde comienza la intención del usuario. Cada era tecnológica ha tenido su propia superficie de control dominante.

Apple controló la pantalla de inicio. Cuando Steve Jobs presentó el iPhone, cambió fundamentalmente cómo interactuamos con la tecnología. La pregunta clave se convirtió en: ¿qué ves cuando desbloqueas tu teléfono? El poder residía en curar ese menú de íconos, en decidir qué aplicaciones merecían un lugar en esa rejilla preciosa de espacio limitado.

Google controló la barra de búsqueda. Antes del iPhone, y todavía hoy para muchas tareas, Google definió cómo descubrimos información en internet. La pregunta era: ¿qué encuentras cuando buscas? El poder estaba en ordenar el inventario infinito de la web, en decidir qué resultado aparece primero, segundo, o en la página 47 donde nadie mira.

Amazon controló el botón de compra. Jeff Bezos entendió que la fricción es el enemigo del comercio. La pregunta se convirtió en: ¿qué compras con un solo click? El poder estaba en facilitar la conversión, en hacer que comprar fuera tan ridículamente fácil que la decisión de compra se volviera casi inconsciente.

OpenAI está intentando controlar la conversación. Y aquí es donde la cosa se pone realmente interesante. La pregunta ahora es: ¿qué pasa cuando expresas una necesidad? Ya no navegas por internet (metáfora espacial). Ya no buscas (metáfora de exploración). Ahora conversas (metáfora de delegación). Le dices al sistema “tengo hambre” y el sistema se encarga del resto.

Las aplicaciones y servicios que solían ser destinos ahora se convierten en infraestructura invisible. Las marcas que solían construirse durante décadas se vuelven commodities intercambiables. Las relaciones directas entre empresas y clientes se transforman en relaciones mediadas por la IA.

Agregar intención: el momento antes de la acción

Pero hay algo aún más profundo sucediendo aquí. Cada era tecnológica no solo cambió la interfaz, sino que agregó algo diferente.

Google agregó links. El objeto que estaba agregando era información que ya existía. El momento de la interacción era cuando ya sabías qué estabas buscando. El valor estaba en organizar el conocimiento del mundo. Era esencialmente un bibliotecario digital increíblemente eficiente.

Apple agregó apps. El objeto eran funcionalidades empaquetadas. El momento era cuando ya sabías qué herramienta necesitabas. El valor estaba en curar y distribuir software. Era como un centro comercial de aplicaciones.

Amazon agregó transacciones. El objeto eran productos más el proceso de compra. El momento era cuando ya sabías qué querías comprar. El valor estaba en eliminar toda fricción del comercio. Era hacer que comprar fuera más fácil que no comprar.

OpenAI está agregando intención. Y esto es radicalmente diferente. El objeto que agrega es el deseo antes de que tome forma específica. El momento de la interacción es cuando solo sabes qué quieres lograr, no cómo hacerlo. El valor está en traducir necesidad vaga en acción concreta.

Es capturar la intención en su forma más primitiva, antes de que se cristalice en una búsqueda específica, antes de que elijas una app particular, antes de que identifiques un producto concreto.

Piénsalo con un ejemplo simple. Tienes hambre. En el modelo antiguo: tú decides que quieres pizza, tú eliges la app de Domino’s, tú ordenas. Tú controlas cada paso. En el modelo nuevo: expresas “tengo hambre”, la IA decide entre pizza, sushi o cocinar, la IA elige qué restaurante, la IA ejecuta la orden. La IA controla tres de los cuatro pasos. Tú solo expresaste la necesidad inicial.

Y aquí está la frase que resume todo esto perfectamente: “If Google indexed the web, OpenAI is beginning to index the economy.”

De indexar la web a indexar la economía

Esta frase de Saanya Ojha es tan brillante que merece que nos detengamos en ella un momento.

Google indexó la web. Catalogó páginas, contenido, conocimiento. Su poder residía en controlar qué información encuentras. Su output era conocimiento. Era, fundamentalmente, un sistema de lectura del mundo: read-only.

OpenAI está indexando la economía. Cataloga servicios, transacciones, capacidades reales. Su poder reside en controlar qué acciones se ejecutan. Su output es acción en el mundo real. Es, fundamentalmente, un sistema de lectura y escritura: read-write.

Google te ayudaba a saber. OpenAI te ayuda a hacer.

Google era un mapa. OpenAI es un agente.

Google movía bits. OpenAI mueve átomos: comida real que llega a tu puerta, autos reales que te recogen, dinero real que cambia de manos, reservaciones reales en restaurantes reales.

Las implicaciones de esto son simultáneamente fascinantes y aterradoras. Cuando Google te mostraba información incorrecta, era molesto pero raramente catastrófico. Cuando OpenAI ejecuta la acción incorrecta en tu nombre, puedes perder dinero, vuelos, citas médicas. El riesgo y la responsabilidad son de otro orden de magnitud.

Y surge una pregunta inevitable: ¿cómo decide OpenAI qué servicio usar? ¿Precio? ¿Calidad? ¿Comisión que le pagan? ¿Es transparente ese proceso? ¿Es auditable?

La jugada vertical: controlarlo todo

Mientras procesaba todo esto en mi cabeza durante DevDay, recordé una confesión pública que Sam Altman hizo recientemente: “I was always against vertical integration. I now think I was just wrong about that.”

Esta es una admisión importante viniendo de alguien que creció en Silicon Valley, donde la sabiduría convencional durante años fue que la especialización y la modularidad eran el camino al éxito. Pero Altman ahora argumenta que la complejidad y la escala de construir AGI demandan un control end-to-end, similar a lo que Apple logró con el iPhone.

Y cuando miras lo que OpenAI está construyendo, ves exactamente esa estrategia de integración vertical desplegándose en tiempo real, capa por capa.

En la capa de hardware, OpenAI anunció un acuerdo masivo con Broadcom para desplegar 10 gigawatts de chips de IA diseñados específicamente por OpenAI. Estos chips están optimizados para inferencia y se espera que sean aproximadamente 30% más baratos que las opciones actuales de GPU. También tienen acuerdos con AMD para 6 gigawatts adicionales de GPUs. La estrategia es clara: “control the silicon, control the experience”, como dijo MacKenzie Sigalos de CNBC.

En la capa de infraestructura, OpenAI está construyendo y operando datacenters masivos. Tienen acuerdos con Nvidia, Oracle, y están liderando la iniciativa Stargate junto con Samsung y SK. La ambición es controlar todo el flujo, como dijo Altman, “from electrons to model distribution”.

En la capa de modelos, OpenAI mantiene su investigación completamente in-house. GPT-5, Sora 2, Codex: todo desarrollado internamente con algunos de los mejores investigadores en IA del mundo.

En la capa de plataforma de desarrollo, ahora tienen AgentKit, Apps SDK, ChatKit, herramientas de evaluación, conectores. Es todo lo que necesitas para construir sobre OpenAI. Es su “developer moat”: mientras más desarrolladores construyen sobre sus herramientas, más dependiente se vuelve el ecosistema.

En la capa de aplicaciones, ChatGPT funciona tanto como consumer app con 800 millones de usuarios semanales, como la plataforma donde viven otras aplicaciones a través del GPT Store y las nuevas integraciones directas con Uber, Spotify, y demás.

Y finalmente, en la capa de hardware de usuario, OpenAI adquirió io, la startup de dispositivos de IA de Jony Ive, por 6.4 mil millones de dólares. Quieren controlar también la interfaz física a través de la cual interactúas con su IA.

Es una integración vertical completa, desde el silicio en el datacenter hasta el dispositivo en tu bolsillo, desde los electrones hasta la conversación que tienes con la IA. Es un stack completamente integrado diseñado para funcionar como una sola máquina coordinada.

Lo que cambia para todos

Esta transformación tiene implicaciones para prácticamente todos los actores en el ecosistema tecnológico.

Para los desarrolladores, surge una paradoja incómoda. Cuando OpenAI era solo una API, los developers eran claramente clientes. Pagaban por tokens, construían productos, mantenían la relación con sus usuarios. Ahora que OpenAI se está convirtiendo en una plataforma, los developers empiezan a parecerse más a contenido que a clientes. Es la pregunta que todo desarrollador del App Store se hizo en 2010 y que sigue resonando hoy: ¿cuánto falta para que OpenAI clone mi feature y lo ofrezca gratis como parte de ChatGPT?

Pero también hay un lado positivo innegable. OpenAI está resolviendo problemas de infraestructura que antes cada developer tenía que resolver por su cuenta: manejo de contexto, llamadas a múltiples funciones, evaluaciones, conexiones a fuentes de datos. Están facilitando construir cosas que antes eran casi imposibles para equipos pequeños.

Para las empresas, el cambio es aún más dramático. Compañías que invirtieron décadas construyendo marcas reconocibles se encuentran repentinamente en riesgo de volverse commodities intercambiables. Si ChatGPT decide entre Uber y Lyft por ti, ¿realmente importa cuál uses? ¿Cuánto vale tu marca cuando el usuario nunca ve tu interfaz?

Las empresas pasan de ser destinos a ser lo que el artículo de Saanya llama “nodos de cumplimiento”. Ya no tienes una relación directa con el cliente. Ahora eres un proveedor de backend que cumple órdenes que vienen filtradas a través de la IA. Y surge una pregunta inquietante: ¿cómo te aseguras de ser “indexable” por la IA? ¿Cuál es el nuevo SEO en un mundo donde la IA decide?

Para los consumidores, el trade-off es clásico pero intensificado. Por un lado, conveniencia extrema. Ya no necesitas recordar qué app usar para qué. Ya no necesitas comparar precios manualmente. Ya no necesitas navegar múltiples interfaces. Solo hablas y las cosas suceden. Es magia.

Por otro lado, estás delegando no solo la ejecución sino la decisión misma. Estás confiando en que la IA elige el mejor servicio para ti, no el que le paga más comisión. Estás confiando en que entiende tu intención correctamente. Estás confiando en que no hay conflictos de interés en su proceso de decisión. Y no está claro qué tan transparente o auditable es ese proceso.

Para los competidores de OpenAI, la presión acaba de aumentar dramáticamente. Google tiene que responder integrando Gemini más profundamente con Search y todos sus servicios. Apple tiene que acelerar la transformación de Siri y aprovechar su control del hardware con App Intents. Meta, Microsoft, Anthropic, todos tienen que decidir si intentan replicar este modelo de integración vertical o si se especializan en alguna capa específica del stack.

Y surge la pregunta fundamental: ¿habrá espacio para múltiples “sistemas operativos de intención” o es esto un mercado de winner-takes-all? ¿Tendremos que elegir nuestro “OS de IA” como elegimos entre iOS y Android? ¿O la naturaleza de la conversación como interfaz significa que la mayoría de la gente solo usará uno?

Las preguntas sin respuesta

Salí de Fort Mason ese día con la certeza de que había presenciado algo histórico. La declaración pública de una nueva era en computación. El momento en que una empresa de IA dejó de ser un proveedor de modelos para convertirse en una plataforma completa.

Pero también salí con preguntas. Muchas preguntas.

¿Es la conversación realmente “la última interfaz”? ¿O es solo la siguiente en una secuencia infinita? Después de íconos, ventanas, búsquedas y apps, ¿llegamos finalmente a la delegación total, o vendrá algo más? ¿Qué sigue después de conversar? ¿Pensar? ¿Interfaces cerebro-computadora?

¿Puede un solo agente indexar toda la economía? O más precisamente, ¿debe poder hacerlo? ¿Queremos vivir en un mundo donde toda transacción económica pasa por un único sistema operativo? ¿Qué significa eso para competencia, innovación, resiliencia del sistema?

¿La integración vertical es la ventaja competitiva definitiva o un riesgo regulatorio esperando a explotar? Los gobiernos apenas están empezando a entender cómo regular la IA generativa. ¿Qué pasará cuando vean que una sola empresa controla el stack completo desde chips hasta conversaciones?

¿Cómo se auditan las “decisiones” que la IA toma en tu nombre? Cuando ChatGPT decide usar Uber en lugar de Lyft, ¿bajo qué criterio lo hizo? ¿Puedes verlo? ¿Puedes cuestionarlo? ¿Puedes cambiarlo?

OpenAI está construyendo un futuro donde la conversación es la interfaz universal, donde expresas tu intención y el sistema se encarga del resto, donde el mundo digital entero existe downstream de tu interacción con la IA. Es un futuro tremendamente conveniente, eficiente, casi mágico.

Pero también es un futuro donde un poder sin precedentes se concentra en quien controla esa conversación. Y esa concentración de poder merece que nos detengamos a pensar, a cuestionar, a debatir antes de que se vuelva inevitable.

La apuesta de OpenAI es clara: la conversación será la última interfaz. Están construyendo ese mundo. Y lo están construyendo muy rápido.

La pregunta es: ¿es el mundo que queremos?

Los mercados entraron en pánico. Nvidia perdió $589 mil millones en capitalización bursátil en un solo día, la mayor caída de un día en la historia de Wall Street. Los inversionistas temían que la eficiencia de DeepSeek reduciría dramáticamente la demanda de chips y infraestructura de IA.

Pero Satya Nadella, CEO de Microsoft, vio algo diferente. En un tweet que se volvió viral, escribió: “¡La paradoja de Jevons ataca de nuevo! Mientras la IA se vuelve más eficiente y accesible, veremos su uso dispararse, convirtiéndola en una mercancía de la que simplemente no podemos obtener suficiente”.

Nadella tenía razón. Lo que viene no es una reducción en el consumo de recursos, sino una explosión exponencial. Y estamos celebrando el problema disfrazado de solución.

La paradoja que cambia todo

En 1865, el economista británico William Stanley Jevons observó algo contraintuitivo durante la Revolución Industrial: cuando las máquinas de vapor se volvieron más eficientes en el uso de carbón, el consumo total de carbón no disminuyó. Al contrario, se triplicó para 1900.

La lógica es brutal en su simplicidad: hacer algo más eficiente lo hace más barato. Hacerlo más barato lo hace más accesible. Hacerlo más accesible multiplica sus usos. Y más usos significan, eventualmente, más consumo total del recurso que intentabas conservar.

Este patrón se ha repetido una y otra vez en la historia tecnológica:

• LEDs: Consumen 80% menos electricidad que bombillas incandescentes. Resultado: el consumo total de electricidad para iluminación aumentó 30%. Efecto rebote: 150%.

• Cloud computing: Mayor eficiencia en servidores. Resultado: aumento del 400% en centros de datos globales porque ahora cualquier empresa puede costear infraestructura digital.

• Computación general: Procesadores más potentes y eficientes. Resultado: efecto rebote del 500% porque pusimos chips en prácticamente todo, desde tostadoras hasta cepillos de dientes.

En tecnología, lo que abaratas no desaparece: escala.

La evidencia incómoda: los números que nadie quiere ver

Los datos sobre consumo energético de la IA revelan una tendencia alarmante que confirma que la Paradoja de Jevons ya está en pleno efecto:

2024: Los centros de datos consumen 600 TWh anuales, representando el 1.8% del consumo eléctrico global.

2030: La Agencia Internacional de Energía proyecta 945 TWh para centros de datos. Esto es más que el consumo eléctrico actual de Francia y Alemania juntas.

El crecimiento se está acelerando brutalmente: pasó del 7% anual hasta 2023, saltó al 18% en 2023, y se proyecta alcanzar el 27% anual para 2028.

Pero aquí está el secreto que casi nadie está contando: la inferencia, no el entrenamiento, es el verdadero consumidor de energía.

Mientras el debate público se centra obsesivamente en el costo energético de entrenar modelos grandes, la realidad es que la inferencia (ejecutar consultas en modelos ya entrenados) representa el 60-70% del consumo total de energía de machine learning. El entrenamiento solo representa el 20-40%.

¿Por qué importa? Porque cada mejora de eficiencia en inferencia democratiza el acceso a IA, generando millones de nuevas consultas. Una consulta típica a ChatGPT consume aproximadamente 0.3 Wh de electricidad – entre 7 y 10 veces más que una búsqueda web tradicional, dependiendo del modelo y complejidad de la consulta. Multiplica eso por miles de millones de consultas diarias.

Las confesiones incómodas

Las empresas tecnológicas están empezando a admitir lo inevitable:

Microsoft reconoció públicamente en su Reporte de Sostenibilidad Ambiental 2025 que sus emisiones totales están aumentando debido a la expansión de IA y cloud. Las emisiones aumentaron 23.4% comparado con 2020, alejándose de sus objetivos de neutralidad de carbono para 2030.

Google reportó que el machine learning representa entre el 10-15% de su consumo energético total, con la mayoría dedicada a inferencia, no entrenamiento.

Virginia “Data Center Alley” en el norte del estado ahora alberga 25 millones de pies cuadrados de centros de datos. Dominion Energy reportó que el 24% de sus ventas de electricidad en 2023 fueron a centros de datos, una proporción que continúa creciendo.

Los costos de electricidad mayorista aumentaron 267% entre 2020 y 2025 en las zonas cercanas a concentraciones de centros de datos.

En Memphis, el nuevo data center de xAI genera una demanda instantánea de 260 megavatios, equivalente al consumo de una ciudad mediana.

DeepSeek: la eficiencia como catalizador de demanda

El caso DeepSeek es el ejemplo perfecto de cómo la eficiencia dispara la demanda en lugar de contenerla.

La startup china utilizó técnicas innovadoras para reducir dramáticamente los recursos necesarios: arquitectura Mixture of Experts (MoE) que activa solo 37 de 671 mil millones de parámetros por consulta, aprendizaje por refuerzo puro sin fine-tuning supervisado costoso, y distillation agresiva. El resultado: performance comparable a GPT-4 y Claude con una eficiencia técnica radicalmente superior.

Aunque DeepSeek reportó $5.6 millones para el entrenamiento final de su modelo V3, investigaciones independientes de SemiAnalysis estiman que los costos totales incluyendo infraestructura (aproximadamente 50,000 GPUs Hopper), R&D y operaciones podrían superar los $1.3 mil millones. Aún con estas cifras ajustadas, la innovación en arquitectura y metodología representa un avance significativo en eficiencia comparado con enfoques tradicionales.

La reacción inicial del mercado fue de pánico: si entrenar modelos es radicalmente más eficiente, ¿colapsará la demanda de GPUs y infraestructura?

Lo opuesto ocurrió.

Días antes del anuncio de DeepSeek, Meta ya había revelado planes para invertir entre $60-65 mil millones en infraestructura de IA en 2025 (comparado con $39 mil millones en 2024). Tras el lanzamiento de DeepSeek y la caída del mercado, Mark Zuckerberg no retrocedió. En cambio, reafirmó durante la llamada de resultados del 29 de enero: “Continúo pensando que invertir muy fuertemente en CapEx e infraestructura será una ventaja estratégica a largo plazo.”

Microsoft, Google y Amazon siguieron patrones similares, manteniendo o incrementando sus compromisos de gasto en lugar de reducirlos. Zuckerberg lo expresó con claridad brutal: “El incentivo de no perder significa que estás dispuesto a gastar. Gastarás cualquier cosa para no perder esto”.

La eficiencia de DeepSeek desencadena tres efectos multiplicadores:

1. Democratización: Startups, universidades y pequeñas empresas que antes no podían costear desarrollo de IA de vanguardia ahora tienen acceso a técnicas y arquitecturas más eficientes. Cada nuevo jugador genera demanda adicional.

2. Expansión de casos de uso: Aplicaciones que antes no eran económicamente viables se vuelven factibles. Desde chatbots de servicio al cliente hasta agentes autónomos en cada proceso empresarial.

3. Carrera competitiva: En un juego de suma cero, las mejoras en eficiencia no generan ahorro agregado, generan presión para escalar más rápido que la competencia.

El resultado neto: más eficiencia por operación, pero exponencialmente más operaciones ejecutadas. La suma total apunta hacia arriba, no hacia abajo.

¿Por qué seguir invirtiendo si la IA es más eficiente?

Esta es la pregunta que todos se hacen al ver los números: si DeepSeek demostró que se puede hacer más con menos, ¿por qué Meta, Microsoft, Google y Amazon siguen anunciando inversiones récord?

La respuesta está en el corazón de la Paradoja de Jevons: porque la eficiencia no reduce la demanda, la multiplica.

La lógica de la carrera tecnológica

Cuando la IA se vuelve más barata y accesible, tres fuerzas se activan simultáneamente:

Primero, democratización masiva. Startups que antes no podían costear capacidades avanzadas de IA ahora pueden entrar al juego. Universidades pueden experimentar. Pequeñas empresas pueden automatizar. Cada nuevo jugador no reduce la demanda total de infraestructura – la aumenta.

Segundo, expansión de casos de uso. Aplicaciones que antes no tenían sentido económico se vuelven viables. ¿Agregar un agente de IA a cada proceso interno de tu empresa? ¿Personalizar contenido en tiempo real para cada usuario? ¿Generar código automáticamente para cada feature? Todo esto ahora tiene un ROI positivo cuando el costo por operación cae dramáticamente.

Tercero, la dinámica competitiva. Mark Zuckerberg lo expresó sin filtros: “Gastarás cualquier cosa para no perder esto.” En un mercado donde la IA se está convirtiendo en ventaja competitiva esencial, ninguna empresa puede permitirse quedarse atrás. La eficiencia no genera ahorro corporativo – genera una carrera por escalar más rápido que la competencia.

Los límites están en el sistema, no en la tecnología

¿Significa esto que el consumo crecerá infinitamente? No necesariamente.

Existen frenos reales que eventualmente moderarán el crecimiento:

La capacidad eléctrica tiene límites físicos. Construir nuevos centros de datos requiere años de permisos, conexión a la red, y capacidad de generación. La infraestructura eléctrica ya está bajo presión, y agregar gigavatios de demanda no sucede de la noche a la mañana.

La regulación ambiental se está endureciendo. El consumo de agua para enfriamiento, las emisiones de carbono, y el impacto local en comunidades están generando resistencia política y social. Microsoft ya anunció objetivos de enfriamiento con cero consumo de agua. Otros seguirán.

El costo de capital no es infinito. Aunque la inferencia es más barata por operación, escalar requiere inversiones masivas que eventualmente encuentran límites de retorno. Los inversionistas eventualmente exigirán rentabilidad, no solo crecimiento.

La licencia social importa. La presión ESG sobre boards corporativos y el escrutinio público están forzando mayor transparencia. Las empresas no pueden simplemente ignorar el impacto ambiental de sus decisiones de infraestructura.

Pero estos límites no vienen de la tecnología siendo más eficiente. Vienen del sistema más amplio – regulatorio, económico, político – imponiendo restricciones externas.

Lo que realmente está en juego

La Paradoja de Jevons aplicada a la inteligencia artificial revela algo que la industria tech prefiere no confrontar directamente: las inversiones masivas en infraestructura de IA no son irracionales. Son la respuesta lógica a un mercado donde la eficiencia multiplica la demanda.

Cuando Meta anuncia $65 mil millones en gastos de capital para 2025, no lo hace porque DeepSeek haya fallado. Lo hace precisamente porque DeepSeek tuvo éxito. La eficiencia demostrada valida que la IA es viable a escala masiva – y eso desencadena una carrera por capturar esa oportunidad antes que la competencia.

Cuando Microsoft invierte $80 mil millones en centros de datos, no ignora las lecciones de eficiencia. Las incorpora, sabiendo que cada punto de eficiencia ganada permite 10 nuevos casos de uso que antes no tenían sentido económico.

Esta no es una historia de desperdicio corporativo o mala planificación. Es la dinámica natural de cómo las sociedades humanas responden a las mejoras tecnológicas: expandiendo el uso hasta encontrar los límites del sistema.

El reframe necesario

DeepSeek no marca el final de las inversiones masivas en IA. Marca el comienzo de una nueva fase donde:

• La IA deja de ser un lujo de gigantes tech para convertirse en infraestructura básica

• Los costos marginales caen lo suficiente para justificar su uso en prácticamente todo

• La competencia se traslada de “quién puede costear IA” a “quién puede escalarla más rápido”

La pregunta no es si veremos más inversión en infraestructura de IA. La pregunta es si esa infraestructura se construirá de manera sostenible – con energía renovable, cooling eficiente, y diseño consciente del impacto ambiental.

La eficiencia técnica es necesaria pero no suficiente. Sin límites externos del sistema (regulación, costo de energía, presión social), la eficiencia simplemente acelera el consumo agregado.

La próxima vez que leas sobre inversiones “irracionales” de cientos de miles de millones en IA, recuerda la Paradoja de Jevons: no están apostando contra la eficiencia. Están apostando a que la eficiencia multiplicará la demanda más rápido de lo que cualquiera imagina.

Y la historia sugiere que probablemente tengan razón.

Pero aquí está el problema: esta serpiente no solo se muerde la cola. Se está digiriendo a sí misma. Y lo que queda después de la digestión no es un círculo financiero, es una nueva arquitectura de control del AI Stack que cambia todo.

El Stack que Describí Hace Seis Semanas

En agosto escribí sobre el AI Stack, describiendo cómo se estructura el ecosistema de inteligencia artificial en cinco capas fundamentales: semiconductores en la base, seguidos por infraestructura en la nube, modelos fundacionales, una capa emergente de orquestación agéntica, y aplicaciones en la superficie.

Mi argumento era directo: las mejores oportunidades para emprendedores están en la capa de aplicaciones. No porque las otras capas no sean importantes, sino porque ya están dominadas por gigantes con recursos prácticamente ilimitados. Las barreras de entrada en semiconductores o cloud son extraordinariamente altas, requiriendo inversiones de miles de millones de dólares.

La lógica económica era simple: las aplicaciones deben generar suficiente valor para pagar por toda la infraestructura subyacente. Casi por definición, las mayores oportunidades tienen que estar donde el valor finalmente llega a los usuarios finales.

No estaba haciendo una predicción sobre el futuro. Estaba describiendo la realidad del ecosistema tal como existía. Pero seis semanas después, esa realidad acaba de intensificarse de forma dramática.

Los Números Reales del Deal

Los titulares se enfocaron en los $100 mil millones de inversión de Nvidia en OpenAI. Pero como señaló Saanya, esa no es la historia principal. La historia real es que OpenAI planea desplegar 10 gigavatios de sistemas de Nvidia para su infraestructura.

Para poner eso en perspectiva: 10GW es aproximadamente la mitad de toda la generación eléctrica de escala industrial añadida en Estados Unidos en el primer semestre de 2025. O, si prefieres, el equivalente a 10 plantas nucleares - todas dedicadas a inteligencia artificial.

Esa escala se traduce en aproximadamente 4-5 millones de GPUs, básicamente la producción completa de Nvidia para este año y el doble de los envíos del año pasado.

Pero aquí está lo que pocos están discutiendo: la inversión total se estima en aproximadamente $500 mil millones. Jensen Huang mencionó en agosto que construir un gigavatio de capacidad de centro de datos cuesta entre $50 y $60 mil millones, de los cuales aproximadamente $35 mil millones son para chips y sistemas de Nvidia. Multiplicado por 10 gigavatios, estamos hablando de un proyecto que podría requerir medio billón de dólares en infraestructura total.

Y aquí está el giro: OpenAI planea arrendar los procesadores de Nvidia en lugar de comprarlos directamente, distribuyendo los costos a lo largo de la vida útil de las GPUs, que podría ser hasta cinco años. Nvidia está parcialmente financiando sus propias ventas.

Y el consumo energético de esta infraestructura será equivalente a suministrar electricidad a más de 8 millones de hogares estadounidenses.

Del DGX-1 al Control Vertical

Hay una historia dentro de esta historia que Jensen Huang menciona pero que pocos están conectando: en agosto de 2016, cuando OpenAI era todavía una fundación sin ánimo de lucro, Jensen caminó personalmente hasta sus oficinas en San Francisco y entregó el primer servidor DGX-1.

Ese servidor redujo el tiempo de entrenamiento de modelos de seis días a solo dos horas. Fue el momento en que quedó claro que el acceso al poder de cómputo sería el recurso estratégico de la era de la inteligencia artificial.

Nueve años después, la misma dupla anuncia el acuerdo de infraestructura de IA más grande de la historia.

Más Allá del Ouroboros: Arquitectura de Control

Saanya tiene razón en que el círculo financiero parece una burbuja a primera vista. Capital rotando entre los mismos jugadores, inflando valoraciones mutuas, recordando a las startups del dot-com que se vendían publicidad entre ellas.

Pero hay una diferencia fundamental: esta vez están construyendo infraestructura física irreversible. Los chips de Nvidia son reales. Los centros de datos de Oracle se están construyendo en concreto. Los modelos de OpenAI están procesando consultas para 700 millones de personas cada semana.

El problema no es que nada se esté construyendo. El problema es qué tipo de estructura de poder se está construyendo.

Para Nvidia: Más Allá de Vender Picotas y Palas

Durante años, Nvidia ha sido el “proveedor de picotas y palas” de la fiebre del oro de la IA. Pero este acuerdo cambia fundamentalmente su posición:

• Lock-in del cliente más grande: Con más de 700 millones de usuarios semanales, OpenAI es uno de los mayores consumidores de GPUs del mundo. Invertir capital asegura que no migre a arquitecturas alternativas (AMD, Intel o diseños propios).

• Captura de valor en múltiples capas: Nvidia ya no solo vende hardware. Ahora co-posee el software que corre sobre ese hardware, capturando valor en dos capas del stack simultáneamente.

• Bloqueo competitivo: Como señalan analistas de competencia, la inversión puede crear incentivos para priorizar a OpenAI con mejores términos o acceso más rápido a GPUs de siguiente generación, dificultando que rivales como AMD accedan a recursos esenciales.

Para OpenAI: Independencia y Dependencia

El acuerdo le proporciona a OpenAI acceso garantizado a la escala de cómputo que necesita para su camino hacia la superinteligencia. Sam Altman insiste en que “todo comienza con el cómputo” y que la infraestructura será la base de la economía del futuro.

También reduce su dependencia de Microsoft, que tiene derechos sobre el 49% de los beneficios futuros de OpenAI una vez que recupere su inversión de $13 mil millones (actualmente OpenAI aún opera con pérdidas). La diversificación de fuentes de capital facilita la transformación de OpenAI en una entidad con fines de lucro.

Pero hay un costo: OpenAI queda tecnológicamente atada a Nvidia por décadas. Si aparece una arquitectura de chips superior, si los diseños de AMD superan a Nvidia, si los TPUs de Google demuestran ser más eficientes para ciertos workloads - OpenAI tendría dificultades significativas para pivotear. Ha comprometido una parte sustancial de su futuro tecnológico a un único proveedor de hardware, aunque Altman claramente considera que los beneficios de escala y acceso garantizado justifican este riesgo.

Lo Que Esto Significa Para el AI Stack

Cuando analicé las cinco capas del AI Stack en agosto, argumenté que las capas inferiores - semiconductores, cloud, modelos fundacionales - estaban dominadas por gigantes con barreras de entrada extraordinariamente altas.

Este acuerdo no solo confirma esa observación. La intensifica.

Las capas inferiores del stack no solo están dominadas por gigantes. Ahora esos gigantes se están fusionando verticalmente de formas que hacen que la competencia sea estructuralmente más difícil.

Para los emprendedores, esto refuerza la tesis original: no compitan en las capas inferiores. Las barreras de entrada acaban de subir otro orden de magnitud. Si necesitabas miles de millones antes, ahora necesitas cientos de miles de millones y una relación preferencial con uno de los tres proveedores dominantes.

Pero hay una complicación nueva: ¿qué significa este nivel de consolidación para el poder de negociación de las aplicaciones?

La ecuación económica que describí sigue siendo válida - las aplicaciones deben generar suficiente valor para pagar por toda la infraestructura. Pero cuando la infraestructura está tan concentrada, cuando tres empresas controlan efectivamente el acceso al cómputo, ¿cambia el balance de poder?

Es una pregunta sin respuesta clara todavía. Pero es la pregunta correcta para cualquier emprendedor construyendo en la capa de aplicaciones.

Los Riesgos Que Nadie Está Discutiendo

La estructura de este deal plantea interrogantes que van más allá del entusiasmo inicial del mercado.

Financieramente, la circularidad del capital es preocupante. Nvidia invierte $100 mil millones que esencialmente regresan como compras de chips. Si OpenAI no puede generar los ingresos reales para sostener esto - más allá del dinero que Nvidia le está proporcionando - las valoraciones interdependientes podrían colapsar en cadena.

Estratégicamente, el nivel de lock-in es significativo. OpenAI ha comprometido una parte importante de su infraestructura tecnológica a Nvidia por décadas. Como advierte Kim Forrest de Bokeh Capital, la estrecha vinculación puede crear “miopía” y abrir la puerta a que otros fabricantes seduzcan a clientes de Nvidia.

Y desde una perspectiva de ecosistema, aunque la administración Trump ha tomado un enfoque más laxo en temas de competencia comparado con la administración Biden, el Departamento de Justicia y la FTC ya acordaron en 2024 repartirse las investigaciones potenciales de Microsoft, OpenAI y Nvidia. Este acuerdo podría eventualmente enfrentar escrutinio antimonopolio.

El Contexto Más Amplio: Stargate y la Carrera por la Infraestructura

Este acuerdo no existe en aislamiento. Es parte del proyecto Stargate, una iniciativa de $500 mil millones impulsada por OpenAI, Oracle y SoftBank para crear los mayores centros de IA del mundo. OpenAI ya ha firmado con Oracle un contrato de $300 mil millones en capacidad de cómputo para los próximos cinco años.

Y Nvidia no está poniendo todos sus huevos en una sola canasta. Una semana antes del anuncio con OpenAI, invirtió $5 mil millones en Intel, adquiriendo aproximadamente el 4% de la compañía. Jensen Huang describió la colaboración como una fusión de “dos plataformas de clase mundial” que integrará la pila de aceleración de Nvidia con los CPUs x86 de Intel.

Estamos presenciando el surgimiento de un nuevo tipo de ecosistema: no solo vertical, sino entrelazado. Donde los proveedores de hardware invierten en software, los proveedores de software contratan cloud masivo, y los proveedores de cloud compran hardware en cantidades sin precedentes.

La Oportunidad Sigue Estando en las Aplicaciones (Pero el Juego Cambió)

Seis semanas después de analizar el AI Stack, mi tesis fundamental se mantiene: las mejores oportunidades para la mayoría de emprendedores están en la capa de aplicaciones.

No porque las otras capas no sean importantes, sino porque son ahora estructuralmente inaccesibles para cualquiera que no sea un gigante tecnológico con cientos de miles de millones en capital.

Pero el contexto ha cambiado. Las aplicaciones ya no solo compiten contra otras aplicaciones. Ahora deben navegar un stack donde las capas inferiores están más concentradas, más verticalmente integradas, y potencialmente más capaces de extraer valor.

La paradoja es que esto podría fortalecer a las aplicaciones verdaderamente diferenciadas. Si el acceso al cómputo se vuelve commodity (aunque caro), la ventaja competitiva se desplaza aún más hacia el conocimiento del dominio, la experiencia de usuario, y los datos propietarios que se generan a través del uso.

Las aplicaciones más defensibles serán aquellas que generen y refinen datos únicos que mejoren su rendimiento. Esto crea un ciclo virtuoso donde más uso lleva a mejor rendimiento, lo cual atrae más usuarios.

La Serpiente Digiere

La metáfora del ouroboros financiero es brillante, pero incompleta. Sí, el dinero rota entre las mismas empresas. Sí, parece circular y potencialmente insostenible.

Pero lo que estamos presenciando no es solo dinero mordiéndose la cola. Es la digestión de todo un ecosistema tecnológico en una nueva forma de organización industrial.

Cuando la serpiente termina de digerirse, lo que queda no es un círculo. Es una estructura jerárquica de control sobre las capas fundamentales del AI Stack.

Para los emprendedores, el mensaje es claro: construyan en las aplicaciones, pero entiendan la arquitectura de poder que sustenta su trabajo. El stack que describí en agosto sigue siendo relevante. Pero ahora sabemos que no son solo capas técnicas - son capas de control económico y estratégico.

Y esas capas acaban de consolidarse de formas que nadie anticipó hace seis semanas.

OpenAI acaba de responder esta pregunta con GDPval, la primera evaluación sistemática que mide el desempeño de modelos de IA en tareas extraídas directamente del trabajo real de profesionales con experiencia. No son ejercicios académicos ni simulaciones: son entregables auténticos del tipo que producen abogados, ingenieros, enfermeros, analistas financieros y 40 ocupaciones más, evaluados por expertos de la industria en comparaciones ciegas.

Los resultados revelan una realidad que muchos líderes empresariales no están preparados para enfrentar.

La Nueva Realidad: Paridad Emergente en el Trabajo Cognitivo

Claude Opus 4.1 de Anthropic alcanzó un 47.6% de “win rate” contra expertos humanos. Esto significa que en casi la mitad de las tareas evaluadas, el modelo de IA produjo trabajo que los evaluadores expertos consideraron igual o superior al de profesionales con un promedio de 14 años de experiencia.

GPT-5 de OpenAI logró 38.8%, mientras que modelos anteriores como GPT-4o obtuvieron apenas 12.4%. Esta progresión sostenida entre generaciones de modelos sugiere que la paridad completa en muchas tareas cognitivas no es una posibilidad futura lejana, sino una realidad emergente.

Pero hay un detalle crucial que revela la sofisticación de esta competencia: los modelos se están especializando. Claude Opus 4.1 dominó en tareas estéticas y de formato – presentaciones pulidas, documentos bien estructurados, layouts profesionales. GPT-5 sobresalió en precisión y seguimiento riguroso de instrucciones técnicas. Esta especialización sugiere que la automatización no será un fenómeno uniforme, sino selectivo y estratégico.

Ejemplos Concretos: Dónde la IA Ya Compite

Los datos de GDPval revelan patrones específicos sobre qué tipos de tareas muestran mayor vulnerabilidad a automatización. Algunos ejemplos representativos de donde los modelos alcanzaron o superaron performance humana:

Ingeniería y Manufactura:

• Diseño de modelos 3D para ensamblaje de líneas de cable

• Creación de planos técnicos con medidas precisas y especificaciones de componentes

• Optimización de layouts de fábrica para mejorar flujos de trabajo y reducir distancias de caminata

Servicios Financieros:

• Análisis competitivo de modelos de inversión para deliverables de clientes

• Creación de presentaciones ejecutivas con forecasts de revenue y análisis de mercado

• Evaluación de riesgos financieros basada en datos históricos y tendencias

Atención al Cliente y Ventas:

• Respuestas estructuradas a consultas complejas de clientes insatisfechos

• Desarrollo de estrategias de ventas para cuentas específicas

• Creación de materiales de marketing dirigidos a segmentos particulares

Servicios Profesionales:

• Redacción de briefs legales con análisis de precedentes relevantes

• Desarrollo de planes de tratamiento médico basados en síntomas y historiales

• Creación de itinerarios detallados para viajes de lujo con múltiples destinos

Gobierno y Servicios Sociales:

• Análisis de políticas públicas con recomendaciones implementables

• Evaluación de programas sociales con métricas de efectividad

• Coordinación de respuestas a emergencias con asignación de recursos

Lo revelador de estos ejemplos no es solo que la IA puede realizarlos, sino el tipo de trabajo que representan: tareas que requieren expertise significativo, pero que siguen procesos relativamente estructurados y producen deliverables evaluables objetivamente. Son exactamente el tipo de trabajo que constituye el núcleo económico de muchas organizaciones profesionales.

El Espejismo de los Costos

OpenAI promociona que sus modelos pueden completar estas tareas “100 veces más rápido y 100 veces más barato” que los expertos humanos. Esta cifra ha dominado los titulares, pero incluye una advertencia crucial que muchos han pasado por alto: estos números reflejan únicamente el tiempo de inferencia del modelo y las tarifas de API.

No incluyen los costos reales de implementación: supervisión humana, iteración, integración con sistemas existentes, control de calidad, responsabilidad legal, y el tiempo de gestión que requiere cualquier automatización en organizaciones complejas.

Ronnie Chatterji, economista jefe de OpenAI, fue explícito al respecto: “No capturan la supervisión humana, iteración e integración requeridas en entornos laborales reales”. Una estimación más realista del ahorro de costos probablemente esté entre 2x y 10x, no 100x – aún significativo, pero no revolucionario de la noche a la mañana.

Esta transparencia es inusual en una industria conocida por inflar sus capacidades, y sugiere que OpenAI entiende que expectativas irreales pueden generar backlash cuando la implementación real no cumple las promesas.

Transformación del Liderazgo: De la Intuición a la Métrica

GDPval representa algo más profundo que un benchmark técnico: es la primera herramienta que permite a los líderes empresariales cuantificar objetivamente qué procesos automatizar y cuándo.

Hasta ahora, las decisiones sobre adopción de IA se basaban en intuición, marketing de proveedores, o proyectos piloto limitados. GDPval ofrece un framework para calcular ROI predecible por función específica. Una empresa puede ahora mapear qué porcentaje de sus operaciones cae en categorías donde los modelos actuales muestran alta performance, y desarrollar roadmaps de automatización basados en datos concretos.

Las implicaciones competitivas son directas: las empresas que adopten primero en tareas de alta puntuación GDPval deberían generar ventajas de costo estructurales. Pero hay una ventana temporal limitada – probablemente 2-3 años – antes de que estas ventajas se democraticen y se conviertan en requisitos básicos para competir.

El Futuro del Trabajo Cognitivo: Fragmentación, No Extinción

Los datos de GDPval revelan un patrón que contradice tanto el tecno-optimismo ingenuo como el pesimismo sobre desempleo masivo: los trabajos no desaparecen uniformemente, se fragmentan.

Las tareas que pueden ser especificadas claramente, que siguen procesos predecibles, y que producen deliverables evaluables objetivamente están siendo automatizadas rápidamente. Pero el trabajo que requiere navegar ambigüedad, construir contexto a través de múltiples iteraciones, manejar stakeholders con agendas conflictivas, o tomar decisiones en situaciones impredecibles permanece firmemente humano.

Esto significa que la mayoría de las ocupaciones evolucionarán en lugar de desaparecer. Los abogados seguirán existiendo, pero pasarán menos tiempo redactando contratos estándar y más tiempo en negociaciones estratégicas y relaciones con clientes. Los analistas financieros harán menos modelado rutinario y más interpretación de escenarios complejos.

La pregunta crítica no es “¿será reemplazado mi trabajo?” sino “¿qué partes de mi trabajo serán automatizadas y cómo rediseño mi rol alrededor de lo que permanece exclusivamente humano?”

Las Limitaciones Reveladoras de GDPval

Paradójicamente, las limitaciones de GDPval son tan instructivas como sus resultados. El benchmark solo evalúa tareas “one-shot” – problemas claramente especificados que pueden resolverse en una sola iteración. No captura la dinámica iterativa, el refinamiento colaborativo, o la navegación de requisitos ambiguos que caracterizan la mayoría del trabajo cognitivo de alto valor.

Tampoco mide el “tacit knowledge” – la intuición desarrollada a través de años de experiencia, la capacidad de leer entre líneas en comunicaciones complejas, o el juicio para saber cuándo romper las reglas. Estas limitaciones no son accidentales; revelan exactamente dónde la ventaja humana permanecerá sostenible.

Las organizaciones más inteligentes usarán GDPval no solo para identificar qué automatizar, sino para clarificar qué habilidades humanas desarrollar y retener.

Tensiones Entre Discurso y Datos

Hay una contradicción fascinante en cómo OpenAI presenta estos resultados. Públicamente enfatizan “complementariedad” – la IA como herramienta que potencia a los humanos en lugar de reemplazarlos. Pero GDPval mide explícitamente competencia directa: modelo versus humano en tareas idénticas.

Esta tensión refleja la realidad política y económica que enfrenta la industria. Demostrar capacidades superiores es esencial para justificar valoraciones masivas y atraer inversión. Pero reclamar reemplazo directo de trabajadores invita escrutinio regulatorio y resistencia social.

La verdad probablemente está entre ambos extremos. En tareas bien definidas y estructuradas, estamos viendo reemplazo directo. En trabajo que requiere adaptabilidad y juicio contextual, estamos viendo amplificación y colaboración.

Implicaciones Inmediatas para Líderes

Los ejecutivos que tomen en serio los datos de GDPval necesitan actuar en tres frentes simultáneamente:

Auditoría estratégica: Mapear qué porcentaje de las funciones organizacionales caen en categorías donde los modelos actuales muestran performance >30%. Estas son candidatas inmediatas para automatización piloto.

Desarrollo de capacidades: Invertir en reskilling hacia habilidades “IA-resistentes” – pensamiento sistémico, facilitación de colaboración, navegación de ambigüedad, construcción de relaciones – antes de que la presión competitiva haga esta transición más urgente y costosa.

Ventaja competitiva temporal: Los datos sugieren una ventana de 2-3 años donde los early adopters pueden capturar ventajas estructurales. Después de eso, la automatización de tareas de alta puntuación GDPval se convertirá en requisito básico para competir.

La Pregunta Ética Inevitable

Si GDPval demuestra que su empresa puede ahorrar 30-50% en costos operativos automatizando funciones específicas, manteniendo o mejorando la calidad, ¿es éticamente sostenible no hacerlo? ó ¿es éticamente sostenible hacerlo?

Estas preguntas se vuelven más complejas cuando consideramos stakeholders: accionistas que esperan maximización de eficiencia, empleados cuyas funciones serán automatizadas, clientes que se benefician de costos menores, y la sociedad que debe absorber las disrupciones laborales.

No hay respuestas fáciles, pero GDPval al menos nos permite hacer estas discusiones basadas en datos concretos en lugar de especulación.

El Timing es Todo

Quizás el insight más importante de GDPval no está en los números específicos, sino en lo que revelan sobre timing. La capacidad técnica para automatizar trabajo cognitivo significativo no es una promesa futura – está ocurriendo ahora, de manera medible y acelerada.

Pero hay un gap crítico entre capacidad técnica y adopción organizacional. Las empresas que logren cerrar este gap más rápido – desarrollando procesos para identificar, implementar y gestionar automatización de tareas cognitivas – tendrán ventajas competitivas sostenibles.

La pregunta no es si esta transformación ocurrirá, sino quién estará preparado cuando llegue.

Los datos de GDPval sugieren que esa preparación necesita comenzar ahora, no cuando los modelos alcancen paridad completa. Para entonces, ya será demasiado tarde para capturar ventajas competitivas – y quizás para gestionar la transición de manera que preserve tanto el valor económico como el bienestar humano.